学位论文 > 优秀研究生学位论文题录展示

基于社会标签系统的推荐技术研究

作 者: 葛艳艳
导 师: 张绍武
学 校: 大连理工大学
专 业: 计算机应用技术
关键词: 推荐系统 社会标注系统 标签推荐 协作过滤 LDA模型
分类号: TP391.3
类 型: 硕士论文
年 份: 2011年
下 载: 150次
引 用: 2次
阅 读: 论文下载
 

内容摘要


在信息严重过载的Web2.0网络应用中,社会标签系统因为具有门槛低、操作灵活、易用等特点而变的越来越流行。在社会标签系统中,用户可以使用标签对资源进行标注,其中标签可以是用户自由选择的满足自己爱好的任意关键字。社会标签能帮助用户更好地组织、分享和发现信息资源,且代表了用户大众的兴趣爱好。当前,如何准确有效地为用户推荐标签,以及利用标签为用户推荐感兴趣的资源已经成为推荐领域中的重要研究方向。本文基于社会标签系统进行研究工作,主要工作有以下两点:1.提出一种满足用户标签个性化特点的标签推荐方法。在社会标签系统中,由于标签标注的自由性及用户爱好习惯的不同,导致每个用户都会形成具有自己特点的标签集合。本文针对用户标签的个性化问题,提出采用协作过滤及转移矩阵相结合的方法,利用大众智慧为目标用户推荐满足其个性化需求的标签集合。转移矩阵是基于标签共现思想,为资源上的标签集合与每个用户的个性化标签集合建立转移矩阵,在产生推荐标签之前,将资源上的标签分布情况通过转移矩阵映射到目标用户的标签集合。这种方法能够产生的标签集合能够满足目标用户的个性化标签特点,但是由于转移矩阵只考虑了目标用户的兴趣模型,不能为用户推荐新的标签。因此将协同过滤与转移矩阵方法相结合,根据目标用户及其最近邻居的兴趣模型产生最后的推荐标签。不仅满足用户标签的个性化特点,同时还可以为用户发现新的可能感兴趣的新的标签。2.将LDA模型应用到标签系统中的资源推荐中。社会标签系统中的标签不仅表示资源特征,而且代表用户的兴趣爱好,为信息推荐方法提供了重要的信息量。但是由于社会标签的随意性与开放性,标签系统中存在冗余标签、歧义标签以及垃圾标签的问题。本文针对社会标签的这些问题,引入LDA模型,发现标签系统中的潜在语义主题。从语义层面发现最能满足每个用户兴趣的资源,并基于语义模型确定用户最近邻居,利用协同过滤思想,基于目标用户及其邻居的兴趣模型对目标用户推荐资源。与直接基于标签空间的方法相比,能够消除标签的同义性、一词多义等语义模糊问题。通过Delicious语料集上的实验,证明转移矩阵与协作过滤思想相结合的标签推荐方法及社会标签系统中基于LDA模型的信息推荐都可以产生比较好的推荐结果。

全文目录


摘要  4-5
Abstract  5-9
1 绪论  9-14
  1.1 研究背景  9-10
  1.2 社会标签系统中推荐技术研究进展  10-12
  1.3 本文主要研究内容  12
  1.4 本文结构  12-14
2 推荐系统相关技术介绍  14-24
  2.1 推荐系统概述  14-15
  2.2 传统的推荐技术介绍  15-21
    2.2.1 协同过滤推荐  15-19
      2.2.1.1 基于用户的协同过滤推荐算法  15-18
      2.2.1.2 基于项目的协同过滤推荐算法  18-19
    2.2.2 基于内容的推荐  19-20
    2.2.3 其它推荐技术  20-21
  2.3 基于标签的推荐技术  21-23
  2.4 本章小结  23-24
3 社会标签系统及标签推荐相关问题  24-31
  3.1 社会标签系统概述  24-26
  3.2 社会标签系统的特点  26
  3.3 社会标签系统实例介绍  26-27
  3.4 标签推荐技术介绍  27-30
  3.5 本章小结  30-31
4 基于转移矩阵及协同过滤的标签推荐  31-41
  4.1 基本概念及问题描述  31-32
  4.2 模型建立及标签推荐  32-35
    4.2.1 建立用户的个性化转移矩阵模型  32-34
    4.2.2 确定用户的最近邻居  34-35
    4.2.3 生成推荐标签列表  35
  4.3 实验与分析  35-40
    4.3.1 语料来源  35-36
    4.3.2 评测指标  36-37
    4.3.3 对比实验  37
    4.3.4 实验结果  37-40
  4.4 本章小结  40-41
5 基于标签及LDA模型的资源推荐  41-54
  5.1 LDA模型介绍  41-45
  5.2 基于标签及LDA的资源推荐  45-47
    5.2.1 方法简介  45-46
    5.2.2 标注系统中LDA建模  46
    5.2.3 推荐资源  46-47
  5.3 实验与分析  47-53
    5.3.1 语料来源  47-48
    5.3.2 评测指标  48
    5.3.3 对比实验  48-49
    5.3.4 实验结果  49-53
  5.4 本章小结  53-54
结论  54-55
参考文献  55-59
攻读硕士学位期间发表学术论文情况  59-60
致谢  60-61

相似论文

  1. 个性化检索中相似用户群的获取与更新,TP391.3
  2. 基于自然遗忘的个性化推荐算法研究,TP311.52
  3. Web挖掘技术在电子商务推荐系统中的研究与应用,TP391.3
  4. 基于SCOT的语义标签推荐模型及算法研究,TP391.3
  5. 社会化网络中的推荐算法及其应用,TP391.3
  6. 个性化医疗信息推荐系统的研究与实现,R319
  7. 基于GPU的图书推荐系统研究与实现,TP391.3
  8. 基于C2C电子商务模式下商品推荐系统应用研究,F724.6
  9. 社会标签推荐张量分解方法研究,TP393.09
  10. 基于特征向量的个性化推荐算法研究,TP391.3
  11. Agent电子商务推荐系统下协同过滤技术研究,F713.36
  12. 基于协同过滤的主动推荐系统关键技术研究,TP311.52
  13. 基于协同过滤的电子商务个性化推荐算法研究,F713.36
  14. 基于Web数据挖掘的智能推荐研究,TP391.3
  15. 基于Slope One算法的协作过滤个性化推荐系统设计与实现,TP391.3
  16. 网络推荐系统的营销研究,F49
  17. 基于协同过滤算法的个性化推荐系统的研究,TP393.09
  18. 基于协同过滤推荐算法电影网站的构建,TP393.092
  19. 源代码专家推荐系统设计与实现,TP311.52
  20. E-Learning个性化推荐系统研究,TP319

中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 检索机
© 2012 www.xueweilunwen.com