基于短文本處理算法優(yōu)化的文本信息推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf

1、“麥圈”作為推薦聚合類資訊產(chǎn)品，以“微博”用戶行為數(shù)據(jù)包括發(fā)布、分享、轉(zhuǎn)發(fā)等數(shù)據(jù)為基礎(chǔ)，構(gòu)建用戶興趣模型，并依賴于該模型向用戶定向推薦資訊類內(nèi)容。如何為用戶精準(zhǔn)的推薦信息成為了平臺新的研究方向，因此，用戶興趣模型的構(gòu)建是推薦系統(tǒng)中最重要的環(huán)節(jié)，而微博所蘊(yùn)含的海量文本信息為個(gè)性化推薦提供了分析用戶興趣模型的信息數(shù)據(jù)源。然而由于微博文本數(shù)據(jù)長度較短，用戶的興趣多樣化，系統(tǒng)推薦的效果不太理想，因此，對短文本處理算法的優(yōu)化是提升系統(tǒng)推薦準(zhǔn)確度和

2、穩(wěn)定性的關(guān)鍵點(diǎn)。
　　本文設(shè)計(jì)的基于短文本的文本信息推薦系統(tǒng)，首先依據(jù)用戶的微博行為數(shù)據(jù)構(gòu)建用戶興趣模型，其次將待推薦的文本信息進(jìn)行聚類分析，并與興趣模型進(jìn)行相似性計(jì)算，最后將結(jié)果推薦給用戶瀏覽，同時(shí)將用戶的評分?jǐn)?shù)據(jù)反饋推薦系統(tǒng)，用于用戶興趣模型的更新優(yōu)化。其中，向量空間模型是文本結(jié)構(gòu)化表示、用戶興趣模型構(gòu)建以及相似度計(jì)算的基礎(chǔ)模型。
　　本文的文本推薦系統(tǒng)基于短文本處理算法的優(yōu)化以及用戶興趣模型的構(gòu)建實(shí)現(xiàn)。首先針對微博短文

3、本數(shù)據(jù)特點(diǎn)，在短文本預(yù)處理階段，為了提升文本特征詞的表征能力，在詞項(xiàng)TF-IDF加權(quán)計(jì)算的基礎(chǔ)上提出基于語義相關(guān)聯(lián)的短文本特征詞提取算法。然后，在短文本的聚類算法中，本文針對K-means算法對噪聲敏感以及對初始中心選取存在依賴性問題，提出了將相似性度量作為初始中心計(jì)算的依據(jù)思路，并實(shí)現(xiàn)了基于相似中心的cK-means短文本聚類算法的設(shè)計(jì)方案，同時(shí)基于短文本算法的優(yōu)化構(gòu)建了用戶興趣模型。最后，本文將優(yōu)化后的用戶興趣模型應(yīng)用到具體的文本推