基于主題模型的混合推薦算法研究.pdf_第1頁
已閱讀1頁,還剩75頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、在互聯(lián)網高速發(fā)展的今天,網絡上數(shù)據的增長已經非常迅速。如何從海量的數(shù)據中找出用戶所需要的信息已經變得越來越重要。社交網絡在web2.0時代也迅速流行開來,社交網絡中文本的與傳統(tǒng)的文本有著很大的區(qū)別,如何對這些文本信息建模,并向用戶做出推薦也成為一個比較熱門的研究領域。
  主題模型能夠挖掘文本的潛在語義信息,從主題的層次建立文本的模型,這是主題模型與傳統(tǒng)文本模型最大的不同點。主題模型在社交網絡中的主題信息發(fā)掘能夠克服社交網絡中的文

2、本字數(shù)少、噪音大的問題。本文在原始LDA模型的基礎上實現(xiàn)了ATM-LDA模型以及MB-LDA模型。ATM-LDA將文檔-主題建模方式轉化為作者-主題的建模方式,實現(xiàn)了對作者的主題挖掘。MB-LDA模型在建模過程中引入了作者之間的關聯(lián)以及文本之間的關聯(lián),將聯(lián)系人之間的主題分布區(qū)別開來。
  本文在分析了現(xiàn)有推薦技術和主題模型的特點后,提出了基于用戶興趣特征和關鍵詞序列的用戶興趣模型。該模型通過主題模型和用戶關鍵詞的提取,對用戶進行特

3、征表示。主題模型中引入了潛在主題這一隱含變量,通過吉布斯抽樣計算用戶的主題分布,對用戶的潛在興趣進行特征化表示。將用戶興趣特征與關鍵詞結合,可以建立基于潛在語義和內容兩個維度的興趣模型。在用戶興趣模型的基礎上,本文提出了基于主題模型和空間向量模型相結合的混合推薦算法,通過用戶視角主題模型建立用戶的興趣特征向量,然后建立用戶關鍵詞序列的空間向量模型。最后對兩種模型的相似度線性加權,產生推薦結果。實驗采用了新浪微博的數(shù)據,實驗結果表明,本文

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論