基于語義分析的知識社區(qū)資源推薦方法研究.pdf

1、知識社區(qū)是互聯(lián)網(wǎng)時代人們進(jìn)行資源獲取和學(xué)習(xí)的重要場所。它以其開放性、快捷性吸引著越來越多人們的關(guān)注，對于很多科研學(xué)者，知識社區(qū)甚至成為他們與外界交流與溝通的主要方式。隨著知識社區(qū)用戶間的交流，知識社區(qū)中的資源呈幾何數(shù)級增長，人們在學(xué)習(xí)的過程中，要想從這些大量的資源中找到自己感興趣的資源變得越來越困難，于是資源推薦便成為學(xué)者們研究的重點(diǎn)。目前大多數(shù)推薦方法僅從簡單字面匹配或者詞頻角度給予用戶推薦，沒有充分考慮到資源內(nèi)部的語義信息，而語義分

2、析方法可以充分挖掘資源中潛在的信息，從而充分反映資源所要表達(dá)的內(nèi)容和含義。因此，如何結(jié)合資源的語義信息給予用戶推薦是知識社區(qū)資源共享研究應(yīng)該考慮的問題之一。
　　為此，本文嘗試采用LDA主題模型和用戶分類本體兩種語義分析方法分別給出兩種知識社區(qū)的資源推薦方法，以期從不同角度提高資源推薦結(jié)果的評估指標(biāo)。文章的主要內(nèi)容分為以下兩個部分：
　　第一部分，基于本體與LDA主題模型的知識社區(qū)文本資源推薦方法研究。LDA主題模型將文本資

3、源表示為某種概率的主題分布以及相應(yīng)主題的詞分布，因此，與基于 TF-IDF詞頻統(tǒng)計(jì)的推薦相比，基于 LDA主題模型的推薦可以獲取文本資源內(nèi)的語義信息，有效地解決一詞多義、異形同義等問題。但由于該模型假設(shè)主題之間是相互獨(dú)立、互不影響的，這就使得推薦的結(jié)果總是局限在同一主題的范圍內(nèi)，進(jìn)而限制了推薦的驚喜度。所以本文將本體引入到基于LDA主題模型的文本資源推薦中，通過本體擴(kuò)展LDA模型的主題得到關(guān)聯(lián)主題，然后考慮關(guān)聯(lián)主題在文本中的分布概率，結(jié)

4、合加權(quán)后的關(guān)聯(lián)主題給予用戶最終的推薦。最后在CiteULike網(wǎng)站提供的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，引入本體后，基于LDA主題模型的推薦驚喜度有了明顯的提高。
　　第二部分，基于用戶分類本體的協(xié)同過濾知識社區(qū)視頻資源推薦方法研究。目前使用最廣泛的個性化推薦方法就是協(xié)同過濾方法，該方法中最重要的一步就是相似性計(jì)算，但是隨著用戶數(shù)目劇增就造成在相似性計(jì)算過程中算法的執(zhí)行效率過低的問題。為了解決該問題，本文提出一種基于用戶分類本

5、體的協(xié)同過濾推薦方法。該方法首先構(gòu)建用戶分類本體，然后根據(jù)本體中概念間的語義關(guān)系獲取分類規(guī)則，利用分類規(guī)則對龐大的用戶群進(jìn)行分類。在保證一定的推薦準(zhǔn)確度前提下，為用戶尋找局部近鄰用戶，并以局部近鄰用戶為基準(zhǔn)完成資源推薦。
　　最后在MovieLens公開數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證，并且分別通過 F1與平均絕對誤差兩個指標(biāo)進(jìn)行用戶分類與推薦精度評估，在用戶分類準(zhǔn)確及推薦精度良好的前提下，用時間復(fù)雜度衡量算法效率。實(shí)驗(yàn)結(jié)果表明，引入用戶分類