基于論文關(guān)鍵詞聚類的用戶興趣模型細(xì)化方法研究.pdf

1、隨著個(gè)性化推薦技術(shù)的以及用戶興趣建模技術(shù)的研究發(fā)展，個(gè)性化推薦服務(wù)已滲透到了諸多領(lǐng)域。傳統(tǒng)的用戶興趣建模技術(shù)中，基于本體或分類的用戶興趣模型因其允許用戶興趣預(yù)測等優(yōu)點(diǎn)而獲得廣泛關(guān)注。然而，傳統(tǒng)的分類方式往往由于粒度過粗、需要人工參與等缺點(diǎn)而使得用戶個(gè)性化推薦效果大大降低。因此，研究新的算法來改善基于本體或分類結(jié)構(gòu)的用戶興趣模型來提高個(gè)性化推薦的效率和質(zhì)量具有十分重要的意義。
　　以改良傳統(tǒng)的基于本體或分類的用戶興趣模型的推薦效果為

2、目標(biāo)，本文主要進(jìn)行了以下幾項(xiàng)工作：
　　首先，提出了一個(gè)基于論文關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)的學(xué)科主題細(xì)分方法。以加權(quán)的關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)來表示學(xué)科或研究主題內(nèi)的關(guān)鍵詞分布情況，通過對加權(quán)的關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)使用聚類算法，刪除權(quán)重較低的邊，從而得到學(xué)科分類系統(tǒng)的細(xì)化擴(kuò)展結(jié)果。細(xì)化后的學(xué)科分類系統(tǒng)為細(xì)化用戶興趣模型建立了基礎(chǔ)。
　　然后，給出了基于論文關(guān)鍵詞聚類的用戶興趣建模方法。對傳統(tǒng)的基于本體的用戶興趣建模的算法進(jìn)行了改善，增加了用于度量某一主

3、題的內(nèi)容與用戶興趣傾向的偏移程度的關(guān)聯(lián)因子。關(guān)聯(lián)因子的引入使得建模算法更容易區(qū)分一些用戶在其興趣程度相似的研究主題上的興趣程度。另外，本文中的用戶興趣模型構(gòu)建方法通過考慮學(xué)科分類系統(tǒng)中研究主題間的緊密關(guān)系，區(qū)分了顯式興趣模型與隱式興趣模型的概念，并給出了通過在計(jì)算中引入顯式興趣模型來構(gòu)建隱式興趣模型的方法。使用顯式興趣模型作為用戶個(gè)性化推薦的主要模型，而隱式興趣模型則作為個(gè)性化推薦的必要補(bǔ)充。使用顯式與隱式興趣模型相結(jié)合的方法來描述用戶