基于主題模型的學術論文推薦系統(tǒng)研究.pdf

1、學術論文推薦是推薦系統(tǒng)的一個應用方向，可以幫助用戶在數(shù)千萬的文檔中找出那些需要的論文。它可以通過對用戶的歷史訪問記錄進行分析，挖掘出用戶潛在的需求，并向其推薦與之相關的內容，使得用戶查找論文的過程變得簡潔、方便。
　　 鑒于被推薦的物品（學術論文）的特殊性，僅僅使用準確度來衡量推薦結果顯然不足以滿足不同用戶的各種需求。本實驗將提高推薦結果的驚喜度作為主要目標。所謂驚喜度是指發(fā)現(xiàn)那些用戶并不了解卻確實需要的物品的能力。
　　

2、 本文采用基于主題模型的方法，在文檔中單詞分布已知的情況下，計算每篇文檔主題分布的后驗概率，挖掘出其潛在主題與結構。它不再像傳統(tǒng)的空間向量模型那樣，只單純的考慮文檔在詞典空間上的維度。這種單純的基于詞頻統(tǒng)計的方法，無法捕捉文檔內部以及文檔間的統(tǒng)計特征，也無法捕捉到文檔的語義特征。而主題模型則是引入了了主題空間，實現(xiàn)了文檔在主題空間上的表示，不僅可以捕捉到文檔內的語義信息，從而發(fā)現(xiàn)文檔間潛在的聯(lián)系，而且給于用戶和論文推薦很好地解釋性。<

3、br>　　 文章主要內容一共分為三個部分。基于LDA主題模型的推薦，是根據文檔在主題上的分布概率進行推薦的。這種在主題層面上的推薦可以有效的解決一詞多義，異形同義等問題。這對分析文檔內容，抽取文檔特征具有很重要的意義。而且與基于TF-IDF的推薦相比，期望得到驚喜度更高的推薦?；贑TM關聯(lián)主題模型的推薦，在LDA的基礎上，考慮到了主題之間的關聯(lián)，能夠更有效的發(fā)覺文檔間的潛在關系，使驚喜度得到進一步的提高。基于相關反饋的推薦在之前的基