社會標(biāo)簽推薦技術(shù)與方法研究.pdf

1、Web2.0的主要精髓在于用戶創(chuàng)造內(nèi)容。社會標(biāo)簽系統(tǒng)因?yàn)榫哂羞M(jìn)入門檻低、操作靈活、易用等優(yōu)點(diǎn)而逐漸成為Web 2.0 環(huán)境下最流行的應(yīng)用。作為社會標(biāo)簽系統(tǒng)的主要產(chǎn)物，社會標(biāo)簽具有組織、分享、檢索和發(fā)現(xiàn)信息資源等眾多優(yōu)點(diǎn)，但也同樣存在諸如標(biāo)簽分布很稀疏、用戶標(biāo)注很隨意、標(biāo)簽使用率很低以及存在許多噪音標(biāo)簽等缺點(diǎn)，這些缺點(diǎn)削弱了標(biāo)簽在信息組織、分享、檢索和發(fā)現(xiàn)的作用。因此，近年來，社會標(biāo)簽推薦技術(shù)受到了學(xué)術(shù)界以及企業(yè)界的廣泛關(guān)注。研究內(nèi)容圍繞

2、社會標(biāo)簽推薦系統(tǒng)中的推薦技術(shù)展開，主要包括以下內(nèi)容：
　　 提出了一種基于詞粒度和隱含話題粒度的標(biāo)簽推薦算法。資源的內(nèi)容有不同粒度的表示形式，可以基于細(xì)粒度的具體的詞來表示，也可以基于粗粒度的隱含話題進(jìn)行表示。根據(jù)表示粒度的不同，提出了不同的標(biāo)簽推薦算法。在詞粒度上，使用統(tǒng)計(jì)語言建模描述集、標(biāo)簽集；在隱含話題粒度上，使用隱含狄雷克雷特分配模型(Latent Dirichlet Allocaiton，LDA)建模描述集、標(biāo)簽集和用

3、戶集。實(shí)驗(yàn)結(jié)果表明，詞粒度才是標(biāo)簽推薦的最佳選擇；混合詞粒度和話題粒度進(jìn)行推薦的效果優(yōu)于使用單個(gè)粒度推薦的效果；建模時(shí)，引入太多的建模元素可能導(dǎo)致噪音增加，使得推薦結(jié)果反而不好。
　　 提出了一種基于話題敏感的標(biāo)簽排序算法。社會標(biāo)簽推薦問題的本質(zhì)是按照某種規(guī)則發(fā)現(xiàn)和排序相關(guān)的標(biāo)簽，從排序結(jié)果的列表中選擇位置靠前的標(biāo)簽作為推薦的標(biāo)簽。但是由于標(biāo)簽在某些話題上的資源數(shù)量占絕對優(yōu)勢，使得標(biāo)簽在另外一些話題的資源完全被淹沒，這樣就影響了

4、資源檢索和利用時(shí)的準(zhǔn)確率和召回率。使用隱含話題模型提取標(biāo)簽空間中蘊(yùn)含的話題，依據(jù)標(biāo)簽的同現(xiàn)關(guān)系和標(biāo)簽的話題分布構(gòu)筑基于話題的標(biāo)簽超圖，在超圖上利用隨機(jī)游走模型計(jì)算標(biāo)簽在話題分布上的重要性，并將計(jì)算結(jié)果應(yīng)用在標(biāo)簽的推薦上。實(shí)驗(yàn)結(jié)果表明，基于標(biāo)簽的話題對資源進(jìn)行推薦的效果比一般標(biāo)簽推薦算法要好很多。
　　 提出了一種基于用戶動機(jī)傾向性的推薦模型。為了提高用戶對標(biāo)簽系統(tǒng)的可用性和粘性，加速社會標(biāo)簽的快速收斂和語義涌現(xiàn)，深入分析了社會標(biāo)

5、簽空間，提出用5種度量指標(biāo)來度量用戶的動機(jī)，將用戶分為描述傾向性的用戶和分類傾向性的用戶。在討論了5種度量的有效性之后，提出基于用戶動機(jī)傾向性的推薦模型(tag recommendation model based on User Motivation Orientation，UMO)。該模型首先根據(jù)用戶標(biāo)注歷史，判定用戶的動機(jī)傾向性，同時(shí)計(jì)算信息資源的動機(jī)傾向性，將用戶動機(jī)傾向性和資源動機(jī)傾向性進(jìn)行匹配，對匹配資源的標(biāo)簽進(jìn)行聚合操作，