社會標簽推薦技術(shù)與方法研究.pdf

1、Web2.0的主要精髓在于用戶創(chuàng)造內(nèi)容。社會標簽系統(tǒng)因為具有進入門檻低、操作靈活、易用等優(yōu)點而逐漸成為Web 2.0 環(huán)境下最流行的應(yīng)用。作為社會標簽系統(tǒng)的主要產(chǎn)物，社會標簽具有組織、分享、檢索和發(fā)現(xiàn)信息資源等眾多優(yōu)點，但也同樣存在諸如標簽分布很稀疏、用戶標注很隨意、標簽使用率很低以及存在許多噪音標簽等缺點，這些缺點削弱了標簽在信息組織、分享、檢索和發(fā)現(xiàn)的作用。因此，近年來，社會標簽推薦技術(shù)受到了學(xué)術(shù)界以及企業(yè)界的廣泛關(guān)注。研究內(nèi)容圍繞

2、社會標簽推薦系統(tǒng)中的推薦技術(shù)展開，主要包括以下內(nèi)容：
　　 提出了一種基于詞粒度和隱含話題粒度的標簽推薦算法。資源的內(nèi)容有不同粒度的表示形式，可以基于細粒度的具體的詞來表示，也可以基于粗粒度的隱含話題進行表示。根據(jù)表示粒度的不同，提出了不同的標簽推薦算法。在詞粒度上，使用統(tǒng)計語言建模描述集、標簽集；在隱含話題粒度上，使用隱含狄雷克雷特分配模型(Latent Dirichlet Allocaiton，LDA)建模描述集、標簽集和用

3、戶集。實驗結(jié)果表明，詞粒度才是標簽推薦的最佳選擇；混合詞粒度和話題粒度進行推薦的效果優(yōu)于使用單個粒度推薦的效果；建模時，引入太多的建模元素可能導(dǎo)致噪音增加，使得推薦結(jié)果反而不好。
　　 提出了一種基于話題敏感的標簽排序算法。社會標簽推薦問題的本質(zhì)是按照某種規(guī)則發(fā)現(xiàn)和排序相關(guān)的標簽，從排序結(jié)果的列表中選擇位置靠前的標簽作為推薦的標簽。但是由于標簽在某些話題上的資源數(shù)量占絕對優(yōu)勢，使得標簽在另外一些話題的資源完全被淹沒，這樣就影響了

4、資源檢索和利用時的準確率和召回率。使用隱含話題模型提取標簽空間中蘊含的話題，依據(jù)標簽的同現(xiàn)關(guān)系和標簽的話題分布構(gòu)筑基于話題的標簽超圖，在超圖上利用隨機游走模型計算標簽在話題分布上的重要性，并將計算結(jié)果應(yīng)用在標簽的推薦上。實驗結(jié)果表明，基于標簽的話題對資源進行推薦的效果比一般標簽推薦算法要好很多。
　　 提出了一種基于用戶動機傾向性的推薦模型。為了提高用戶對標簽系統(tǒng)的可用性和粘性，加速社會標簽的快速收斂和語義涌現(xiàn)，深入分析了社會標

5、簽空間，提出用5種度量指標來度量用戶的動機，將用戶分為描述傾向性的用戶和分類傾向性的用戶。在討論了5種度量的有效性之后，提出基于用戶動機傾向性的推薦模型(tag recommendation model based on User Motivation Orientation，UMO)。該模型首先根據(jù)用戶標注歷史，判定用戶的動機傾向性，同時計算信息資源的動機傾向性，將用戶動機傾向性和資源動機傾向性進行匹配，對匹配資源的標簽進行聚合操作，