面向社交標簽系統(tǒng)的推薦技術研究與實現(xiàn).pdf

1、在當今飛速發(fā)展的互聯(lián)網(wǎng)時代，類似豆瓣讀書，CiteULike等社交標簽系統(tǒng)（Social Tagging System）越來越多的融入人們生活中。這些系統(tǒng)給人們帶來便捷的知識分享的同時，也帶來了信息過載的問題。而推薦技術能夠在大量的信息中智能地為用戶提供感興趣的信息，發(fā)現(xiàn)潛在的朋友。因此，面向社交標簽系統(tǒng)的推薦技術也受到了越來越多的關注。
　　然而社交標簽系統(tǒng)相比傳統(tǒng)的推薦系統(tǒng)，不僅有用戶和資源，還增加了標簽這個新的度量。因此這類

2、系統(tǒng)中推薦技術面臨的挑戰(zhàn)是不同的，我們將其歸類為三方面的問題。首先社交標簽系統(tǒng)中用戶在發(fā)布或者評論資源時，能夠使用任意的描述詞作為標簽來標注資源，巨大的自由性和開放性導致了標簽的泛濫，降低了系統(tǒng)的標簽質量。其次社交標簽系統(tǒng)中頻繁的新資源發(fā)布造成的冷啟動問題，以及用戶使用標簽的稀疏性，也是這類系統(tǒng)中的推薦技術需要解決的。而且這類系統(tǒng)中的資源如文本，圖像等是有潛在類別屬性的，傳統(tǒng)推薦技術建立的統(tǒng)一模型在適用性上也存在不足。
　　因此，

3、為了解決傳統(tǒng)推薦技術面臨的推薦標簽質量不高，稀疏冷啟動和模型適用性問題，本文提出了一種新型的融合內容分析與標簽拓展的推薦方法TECA（Tag Expansion and Content Analysis），目的是為新資源推薦標簽和用戶，研究的資源是文本類型。它首先對資源分類訓練形成分類器，對每一類別的資源單獨建模，避免了統(tǒng)一模型的適用性問題。其次在用戶建模時，通過鄰居用戶的標簽來拓展用戶標簽矩陣，緩解了數(shù)據(jù)稀疏性的問題。而且它推薦的標簽

4、結合歷史標簽集和資源自身的內容分析，保障了推薦的標簽質量。在推薦的過程中，主要是從內容上挖掘資源的潛在主題，避免了新資源缺少歷史信息的冷啟動問題。
　　本文基于CiteULike的真實數(shù)據(jù)進行了相關推薦實驗，并與傳統(tǒng)的協(xié)同過濾推薦技術進行對比。實驗表明TECA在標簽推薦和用戶推薦的效果上都比協(xié)同過濾方式更優(yōu)。而且本文也通過實驗驗證了TECA在模型適用性，數(shù)據(jù)稀疏性方面帶來的提升。另一方面，本文對于TECA中的模型參數(shù)選擇也進行了相