基于主題模型的混合推薦算法研究.pdf

1、在互聯(lián)網(wǎng)高速發(fā)展的今天,網(wǎng)絡(luò)上數(shù)據(jù)的增長已經(jīng)非常迅速。如何從海量的數(shù)據(jù)中找出用戶所需要的信息已經(jīng)變得越來越重要。社交網(wǎng)絡(luò)在web2.0時代也迅速流行開來,社交網(wǎng)絡(luò)中文本的與傳統(tǒng)的文本有著很大的區(qū)別,如何對這些文本信息建模,并向用戶做出推薦也成為一個比較熱門的研究領(lǐng)域。
　　主題模型能夠挖掘文本的潛在語義信息,從主題的層次建立文本的模型,這是主題模型與傳統(tǒng)文本模型最大的不同點。主題模型在社交網(wǎng)絡(luò)中的主題信息發(fā)掘能夠克服社交網(wǎng)絡(luò)中的文

2、本字?jǐn)?shù)少、噪音大的問題。本文在原始LDA模型的基礎(chǔ)上實現(xiàn)了ATM-LDA模型以及MB-LDA模型。ATM-LDA將文檔-主題建模方式轉(zhuǎn)化為作者-主題的建模方式,實現(xiàn)了對作者的主題挖掘。MB-LDA模型在建模過程中引入了作者之間的關(guān)聯(lián)以及文本之間的關(guān)聯(lián),將聯(lián)系人之間的主題分布區(qū)別開來。
　　本文在分析了現(xiàn)有推薦技術(shù)和主題模型的特點后,提出了基于用戶興趣特征和關(guān)鍵詞序列的用戶興趣模型。該模型通過主題模型和用戶關(guān)鍵詞的提取,對用戶進行特

3、征表示。主題模型中引入了潛在主題這一隱含變量,通過吉布斯抽樣計算用戶的主題分布,對用戶的潛在興趣進行特征化表示。將用戶興趣特征與關(guān)鍵詞結(jié)合,可以建立基于潛在語義和內(nèi)容兩個維度的興趣模型。在用戶興趣模型的基礎(chǔ)上,本文提出了基于主題模型和空間向量模型相結(jié)合的混合推薦算法,通過用戶視角主題模型建立用戶的興趣特征向量,然后建立用戶關(guān)鍵詞序列的空間向量模型。最后對兩種模型的相似度線性加權(quán),產(chǎn)生推薦結(jié)果。實驗采用了新浪微博的數(shù)據(jù),實驗結(jié)果表明,本文