播存環(huán)境中話題挖掘及其在個性化推薦中的應(yīng)用.pdf

1、雙結(jié)構(gòu)新型網(wǎng)絡(luò)以傳統(tǒng)TCP/IP網(wǎng)絡(luò)為主結(jié)構(gòu)，添加以異步廣播通信為基礎(chǔ)的“播存環(huán)境”作為次結(jié)構(gòu)，來緩解當(dāng)前互聯(lián)網(wǎng)面對的流量高度冗余、內(nèi)容難以監(jiān)管等問題。播存環(huán)境通過“統(tǒng)一內(nèi)容標簽”（UCL，Uniform Content Label）為用戶提供交互性的主動信息服務(wù)。“話題”作為UCL的關(guān)鍵字段和重要概念，在播存環(huán)境強調(diào)的個性化推薦和內(nèi)容聚類中，起著刻畫網(wǎng)頁內(nèi)容特征和用戶需求的重要作用。因此，研究符合播存環(huán)境特點與需求的話題挖掘算法，以便

2、從采集到的熱門網(wǎng)頁資源中動態(tài)、高效地挖掘話題對播存環(huán)境具有重要意義。
　　本文結(jié)合播存環(huán)境需求與特點，提出并實現(xiàn)一種播存環(huán)境在線話題挖掘算法BS-OLDA(Broadcast-Storage Online Latent Dirichlet Allocation)，同時將BS-OLDA算法和話題信息應(yīng)用于播存環(huán)境個性化推薦中，提出并實現(xiàn)了基于話題的個性化推薦算法BS-TR(Broadcast-Storage Topic-basedR

3、ecommendation)。本文的主要研究工作如下:
　　為了解決播存環(huán)境中話題信息不易挖掘的問題，設(shè)計出一種播存環(huán)境在線話題挖掘算法:BS-OLDA。BS-OLDA利用UCL信息和貝葉斯方法改進傳統(tǒng)話題挖掘算法，達到了對海量新聞網(wǎng)頁動態(tài)、高效地進行話題挖掘，自動填充UCL話題字段的效果。同時，BS-OLDA通過新話題檢測方法，檢測網(wǎng)絡(luò)中最新涌現(xiàn)的話題，從而更新話題映射表以動態(tài)反映網(wǎng)絡(luò)中的話題變化。
　　針對播存環(huán)境中的個

4、性化推薦需求，提出了一種基于話題的個性化推薦算法:BS-TR。BS-TR算法應(yīng)用BS-OLDA提取網(wǎng)頁內(nèi)容的話題特征向量，并根據(jù)用戶歷史閱讀行為，計算用戶話題興趣特征向量，在此基礎(chǔ)上利用相對熵衡量相似度以進行個性化推薦。相比于傳統(tǒng)的協(xié)同過濾算法和基于內(nèi)容的推薦算法，BS-TR算法效率更高，并一定程度上緩解了冷啟動問題，同時能更精確地刻畫用戶和網(wǎng)頁的特征。
　　在面向播存環(huán)境的內(nèi)容分發(fā)原型系統(tǒng)中，實現(xiàn)了BS-OLDA和BS-TR算法