基于概率生成模型的相似度建模技術(shù)研究及應(yīng)用.pdf

1、互聯(lián)網(wǎng)上海量的內(nèi)容和資源給人們生活帶來了便利，與此同時，也帶來了信息超載的負面影響。如何通過數(shù)據(jù)挖掘技術(shù)解決信息過載問題掀起了學(xué)術(shù)界和工業(yè)界的一股研究狂潮，其中基于相似度建模技術(shù)的以下兩大方案應(yīng)運而生:(1)將資源按照內(nèi)容相似性進行歸類組織管理;(2)基于在線行為的用戶相似性建模，從而實現(xiàn)個性化的服務(wù)。然而，針對這些應(yīng)用的相似度建模技術(shù)面臨著共同的挑戰(zhàn):變量之間存在的內(nèi)在結(jié)構(gòu)關(guān)系需要被挖掘并利用，數(shù)據(jù)空間高維稀疏的困擾需要被消除。為此，

2、本文開展了基于概率生成模型的相似度建模技術(shù)研究及應(yīng)用。主要成果及貢獻如下:
　　 首先，提出了基于概率生成模型的標(biāo)簽間結(jié)構(gòu)關(guān)系表示方法，設(shè)計了基于內(nèi)容相似性的文本多標(biāo)簽分類方法。文本多標(biāo)簽分類問題中，類別標(biāo)簽存在多種結(jié)構(gòu)關(guān)系，然而以往的研究工作一般僅關(guān)注成對標(biāo)簽關(guān)系的建模，從而影響分類效果。鑒于此，為了能夠?qū)W習(xí)并利用多標(biāo)簽間的高階關(guān)系，本文提出了L-F-L-PAM四層概率生成模型，通過統(tǒng)一的框架建模類別標(biāo)簽上的單詞概率分布以及類

3、別之間的相關(guān)性，并給出了基于L-F-L-PAM的多標(biāo)簽分類算法。具體而言，在訓(xùn)練階段，應(yīng)用L-F-L-PAM建模已標(biāo)注的訓(xùn)練文檔并推理模型的參數(shù)，在測試階段，基于標(biāo)準的Four-Level Pachinko Allocation Model預(yù)測未標(biāo)記測試文檔的類別標(biāo)簽排序。為了提高測試階段的運行效率，本文還提出了剪枝的Gibbs抽樣算法用于測試數(shù)據(jù)模型推導(dǎo)。最后在大量標(biāo)準數(shù)據(jù)集上的實驗結(jié)果表明，該方法比基準方法取得了更好的類別排序預(yù)測結(jié)

4、果。
　　 其次，提出了基于概率生成模型的移動用戶行為習(xí)慣相似性建模方法。移動設(shè)備感知的用戶豐富情境數(shù)據(jù)為更精準地刻畫用戶的行為習(xí)慣提供了可能。現(xiàn)有的相關(guān)研究工作主要集中在建模用戶的位置和時間情境，而忽略了其它一些有意義的情境。盡管也有一些工作研究基于豐富情境的行為習(xí)慣挖掘方法（比如，行為模式挖掘），然而如何針對挖掘的結(jié)果建模用戶相似性方面的研究較少。鑒于此，本文探索了基于行為模式向量的移動用戶相似性建模方案，并針對行為模式空間

5、的高維稀疏問題，提出了一個兩階段的解決方法。具體而言，首先在行為模式挖掘之前，將位置情境抽象到社會位置中以及將交互記錄轉(zhuǎn)換成交互類別，從而規(guī)范化原始的情境日志，并在規(guī)范化后的情境日志上挖掘用戶行為模式，然后采用了一個概率生成模型將用戶從高維稀疏行為模式空間轉(zhuǎn)化到低維可解釋的超級行為模式空間。最后，同基準方法相比，在真實數(shù)據(jù)集上的實驗結(jié)果表明該方法能夠更精準地發(fā)現(xiàn)行為習(xí)慣相似的用戶。
　　 最后，提出了一個融合多重相似信息（用戶行

6、為習(xí)慣相似性和App類別相似性）的移動App推薦算法。本文的前兩個工作表明，結(jié)合用戶的情境感知行為習(xí)慣有利于理解用戶興趣;將資源進行類別分析可以幫助充分了解資源特性。基于此發(fā)現(xiàn)，本文基于用戶使用App歷史日志構(gòu)建用戶-App偏好矩陣，提出了一個情境感知的移動App偏好預(yù)測模型實現(xiàn)排序推薦。該模型在傳統(tǒng)的PMF協(xié)同過濾推薦算法框架中，有效結(jié)合了用戶的情境感知行為模式空間相似性和App的類別相似性信息。在真實數(shù)據(jù)集上的實驗分析表明該技術(shù)方案