基于GBDT的社區(qū)問(wèn)題標(biāo)簽推薦技術(shù)研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，信息以爆炸式的速度發(fā)布、更新、傳播。由于人們對(duì)于信息的需求，百科性質(zhì)的在線平臺(tái)迅速崛起，以滿足人們對(duì)各種領(lǐng)域?qū)I(yè)知識(shí)的需求。然而，更多開放性的問(wèn)題才是人們關(guān)注的熱點(diǎn)，問(wèn)答式社區(qū)便是根據(jù)這一需求產(chǎn)生的。
　　伴隨著問(wèn)答社區(qū)中問(wèn)題的積累，如何高效簡(jiǎn)潔地組織問(wèn)題資源成為社區(qū)管理者必須面對(duì)的問(wèn)題。早期的問(wèn)答社區(qū)采用分眾分類法對(duì)問(wèn)題進(jìn)行類別標(biāo)記，以標(biāo)簽的形式組織問(wèn)題。然而，這種分類方法在解決問(wèn)題的同時(shí)，也存在著缺陷。于

2、是，人們探索是否可以采用自動(dòng)推薦問(wèn)題標(biāo)簽的方法，取代過(guò)去用戶自主定義問(wèn)題標(biāo)簽的形式。在相關(guān)研究愈發(fā)深入的同時(shí)，研究者不得不面對(duì)推薦系統(tǒng)存在的共性問(wèn)題：推薦系統(tǒng)的冷啟動(dòng)問(wèn)題、數(shù)據(jù)稀疏問(wèn)題以及向量矩陣維數(shù)災(zāi)難問(wèn)題等。不同的模型針對(duì)這些問(wèn)題有著相應(yīng)的處理辦法，但也同樣有著相應(yīng)的缺陷。將多個(gè)模型的結(jié)果融合，從而獲取一個(gè)更準(zhǔn)確的結(jié)果便成為一種研究趨勢(shì)。在這種背景下，本文采用一種稱為GBDT（Gradient Boosting Decision T

3、ree）的機(jī)器學(xué)習(xí)方法，對(duì)問(wèn)答社區(qū)標(biāo)簽推薦問(wèn)題進(jìn)行了探索和研究。本文主要研究?jī)?nèi)容與研究成果如下：
　　(1)本文首先研究了問(wèn)題候選標(biāo)簽的獲取方法。通過(guò)對(duì)問(wèn)題關(guān)鍵詞抽取過(guò)程的介紹和分析，分別講述了中文分詞、詞性標(biāo)注、TextRank、TFIDF等一系列關(guān)鍵詞抽取過(guò)程中涉及到的自然語(yǔ)言處理方法，通過(guò)對(duì)不同的方法進(jìn)行比較分析，提出了適合本文的方法。
　　(2)在問(wèn)題特征的抽取方面，本文闡釋了如何使用詞向量、條件概率等模型將標(biāo)簽與問(wèn)