基于概率生成模型的相似度建模技術研究及應用.pdf

1、互聯(lián)網(wǎng)上海量的內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)挖掘技術解決信息過載問題掀起了學術界和工業(yè)界的一股研究狂潮，其中基于相似度建模技術的以下兩大方案應運而生:(1)將資源按照內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。然而，針對這些應用的相似度建模技術面臨著共同的挑戰(zhàn):變量之間存在的內在結構關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研究及應用。主要成果及貢獻如下:
　　 首先，提出了基于概率生成模型的標簽間結構關系表示方法，設計了基于內容相似性的文本多標簽分類方法。文本多標簽分類問題中，類別標簽存在多種結構關系，然而以往的研究工作一般僅關注成對標簽關系的建模，從而影響分類效果。鑒于此，為了能夠學習并利用多標簽間的高階關系，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簽上的單詞概率分布以及類

3、別之間的相關性，并給出了基于L-F-L-PAM的多標簽分類算法。具體而言，在訓練階段，應用L-F-L-PAM建模已標注的訓練文檔并推理模型的參數(shù)，在測試階段，基于標準的Four-Level Pachinko Allocation Model預測未標記測試文檔的類別標簽排序。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。最后在大量標準數(shù)據(jù)集上的實驗結果表明，該方法比基準方法取得了更好的類別排序預測結

4、果。
　　 其次，提出了基于概率生成模型的移動用戶行為習慣相似性建模方法。移動設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慣提供了可能。現(xiàn)有的相關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慣挖掘方法（比如，行為模式挖掘），然而如何針對挖掘的結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)集上的實驗結果表明該方法能夠更精準地發(fā)現(xiàn)行為習慣相似的用戶。
　　 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，結合用戶的情境感知行為習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?；诖税l(fā)現(xiàn)，本文基于用戶使用App歷史日志構建用戶-App偏好矩陣，提出了一個情境感知的移動App偏好預測模型實現(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方案