主題模型對多域數(shù)據(jù)的挖掘和應用.pdf

1、當今世界互聯(lián)網(wǎng)的快速發(fā)展給人們的生活帶來了很多便利。其中最重要的一點是方便了信息的分享和傳播，具體體現(xiàn)在提高了消息傳播的效率。但是互聯(lián)網(wǎng)的這種便利也造成了信息過載的問題。網(wǎng)絡可以用來來購物，交友，娛樂，瀏覽新聞，但是在大多數(shù)的應用場景中，人們總會被很多無價值的信息干擾，特別是當人們需要及時獲取感興趣信息，比如電影，還有志同道合的朋友的時候，這種干擾會嚴重影響用戶體驗。在搜索引擎的幫助下，人們能夠快速地根據(jù)自己的意愿尋找有價值的信息，但是

2、當需求很難明確的情形下，就需要推薦系統(tǒng)的幫助。
　　現(xiàn)在人們的需求是多元化的，比如在看到一個好的小說改編的電影之后也會有興趣去讀對應的小說，網(wǎng)絡個體也許會對某一社交圈中的好友喜愛的新聞感興趣。本文將對這些在不同領域中出現(xiàn)的數(shù)據(jù)和信息進行分析和研究，并發(fā)掘它們的用途。
　　本文將針對多域數(shù)據(jù)集中的信息挖掘和聚類的方法進行研究，進而研究跨域推薦的方法。我們提出了OVCLDA算法來同時處理分析多個領域的數(shù)據(jù)，并將根據(jù)數(shù)據(jù)的隱含主題

3、進行聚類，從而可以打破域的限制。我們的模型可以求出特定單詞在隱含主題上的多項分布，同時也可以得到單詞到各個域上的多項分布。在這個模型中，域之間的信息可以跨域共享也可以保留各自獨有的特征。同時這種算法引入了在線學習的思想，能夠處理流式的數(shù)據(jù)，算法效率對比基于蒙特卡洛方法的吉布斯采樣有了很大的提高，這也就使得這種方法在當前這個大數(shù)據(jù)時代是十分實用的。
　　主題模型在分析文本數(shù)據(jù)時有著很強大的能力，而基于主題模型的各種改進模型同樣也有這

4、樣的能力。不過在常見的推薦應用場景中，更多地是處理用戶對于物品的打分數(shù)據(jù)，并預測用戶對未打分或未產(chǎn)生行為的物品做出合理的預測。在推薦系統(tǒng)的常見算法中有一種隱語義模型，這種模型本質(zhì)思想與主題模型是一致的，都是挖掘表面數(shù)據(jù)背后隱藏的特征和聯(lián)系，將高維度的信息用低維的隱特征來表示。我們對已有的一種傳統(tǒng)的矩陣分解算法進行了改進，進而命名為DSSCM模型，從而可以在跨域推薦的問題中一定程度上解決傳統(tǒng)單域推薦經(jīng)常遇到的數(shù)據(jù)稀疏的問題。最后，我們做了