基于語言處理技術(shù)的推薦系統(tǒng)設(shè)計與實現(xiàn).pdf

1、推薦作為海量信息過濾的基本技術(shù)方法廣泛應(yīng)用在信息推送和商品推薦等應(yīng)用領(lǐng)域，需要解決數(shù)據(jù)稀疏性的難點和推薦的多樣性的問題，成為學術(shù)和應(yīng)用領(lǐng)域的研究難點和熱點問題。SVD方法在業(yè)界得到廣泛采用，該方法通過購買和瀏覽等記錄建立人和商品之間的二維關(guān)系，并對該關(guān)系進行SVD分解建立人和商品之間相關(guān)關(guān)系的推斷。相對于復雜的深度神經(jīng)網(wǎng)絡(luò)模型SVD框架在實際中取得較好的效果;同時，廣泛使用的移動設(shè)備也需要簡單而節(jié)省能耗的模型以解決移動環(huán)境下的智能計算以

2、及推薦問題。另一方面，作為時間序列模型的語言模型，能夠表達詞之間在時間維度上的依賴關(guān)系，以表達語言的語法、內(nèi)容和表達者的情景狀態(tài)等。相似地，商品購買者購買商品也受到他的需求（內(nèi)容）和復雜心理以及環(huán)境的影響（情景狀態(tài)），因此它們之間有較為相似的依賴結(jié)構(gòu)。本文在SVD的框架下，擴展LDA模型到商品推薦上，將自然語言中文本語義識別、語義關(guān)聯(lián)技術(shù)擴展到商品推薦領(lǐng)域，挖掘用戶行為軌跡數(shù)據(jù)中體現(xiàn)的商品語義上的依賴，通過隱含空間表達這種依賴關(guān)系，建立

3、商品和用戶之間的關(guān)聯(lián)。最后，在實際的淘寶數(shù)據(jù)集上的實驗結(jié)果表明研究具有方法的有效性。本論文主要工作如下:
　　(1)利用主題模型LDA，對“用戶交互的商品軌跡序列”進行建模:將“商品ID”視為“詞”、將“軌跡序列中的商品ID集”視為“文檔”。利用LDA對“語料”中數(shù)據(jù)結(jié)構(gòu)的概率表示，以及LDA在主題空間的概括性，將商品在“主題空間”進行自動聚合，并通過將商品映射到“主題空間”，建立商品的特征向量表示，并引入商品在不同場景下的“語義

4、信息”。
　　(2)在LDA基礎(chǔ)上，提出了結(jié)合“用戶信息”的用戶-主題模型U_LDA，以及結(jié)合“用戶行為信息”的用戶-行為-主題模型UB_LDA:改進模型引入了“用戶”、“用戶行為”信息對主題空間的學習，一方面將“用戶”和“用戶行為”信息進行在主題空間的自動聚合，并通過將二者映射到“主題空間”，表達對“用戶”、“用戶行為”的矢量化表示，反映“用戶”和“用戶行為”在時間維度不同場景下的“語義信息”。
　　(3)在實際的淘寶數(shù)據(jù)