使用基于語義的混合聚類算法的用戶興趣建模.pdf

1、自從1991年Internet上萬維網(wǎng)公共服務的首次亮相，各種各樣的信息就以指數(shù)級的增長速度充斥于Internet中，人們尋找信息的方式也隨之發(fā)生了變化。從最原始的手工查找，到書簽服務，再到傳統(tǒng)的搜索引擎，如何從海量的信息中挖掘出有用的質(zhì)量高的信息成了人們關心的話題。而像Google、Baidu等傳統(tǒng)搜索引擎已經(jīng)日益滿足不了人們更為挑剔的需求，盡管它們也做了很大的改進。未來的搜索引擎在傳統(tǒng)基礎上必須更加智能化、個性化。語義Web在一定程

2、度上從源端解決了信息的語義問題，不過其研究仍處于初期階段，真正投入使用仍需很長一段時間，并且我們未能保證其運行效果。為了滿足人們的近期需求，我們采用數(shù)據(jù)挖掘和本體技術，從目的端入手，通過挖掘用戶的興趣，為其提供更加智能化、個性化的服務。前提是我們必須有一個良好的用戶興趣模型。本文針對這樣的前提，進行了較為深入的研究，并通過實驗驗證其有效性。以下是其主要貢獻點：
　?、倩贖owNet的文本語義計算
　　文本相似度大多數(shù)是采用

3、基于概率統(tǒng)計的傳統(tǒng)計算方法，最典型的方法是向量空間模型，將文本表示成特征詞向量，然后采用余弦函數(shù)或其它相似度函數(shù)進行計算。這種方法基于這樣一種假設：詞間是正交關系。而且往往忽略了詞間本身蘊含的語義信息。本文在傳統(tǒng)方法的基礎上，結(jié)合了語義；根據(jù)HowNet中描述的概念間關系計算詞間的語義相似度，利用二部圖最大權(quán)匹配并結(jié)合傳統(tǒng)非語義距離得到文本語義相似度。
　?、诨谡Z義的混合聚類算法HCA
　　為了自動地較為準確地挖掘出用戶的

4、興趣類，本文提出了一種改進的基于語義的綜合了k-medoids算法、GA算法和ISODATA算法的混合聚類算法：
　　1）混合算法被證明是一種可行的優(yōu)勢互補的方法，k-medoids算法雖快速，但易陷局部最優(yōu)；GA算法具備全局最優(yōu)的優(yōu)勢，但易受迭代次數(shù)與計算代價的影響；ISODATA算法以變異算子的方式防止GA算法陷入局部最優(yōu)；
　　2）將文本的語義信息引入GA和k-medoids的適應度函數(shù)計算中，提高聚類結(jié)果的質(zhì)量；

5、r>　　3）在GA適應度函數(shù)計算過程中，本文考慮了類內(nèi)聚散度和類間離合度，采用基于語義的CS Measure變體進行計算，保證聚類的效果；
　　4）在GA迭代過程中，本文引入改進后的自適應的交叉率與變異率，防止GA過早收斂和過度發(fā)散。
　?、刍贖CA的用戶興趣建模
　　本文采用基于語義的二級向量（特征向量與偏好向量）空間模型描述用戶的近期興趣類，并且每個興趣類有其對應的興趣度，因此，模型的每個單元被表示成一個三元組，

6、包括二級向量及其興趣度。采用基于語義的HCA挖掘用戶的興趣類，并結(jié)合文本語義相似度和用戶行為計算用戶類興趣度；然后依據(jù)所得的二級向量和其對應的興趣度來構(gòu)建用戶興趣模型，并將其轉(zhuǎn)化成用戶興趣描述文件。
　?、軐嶒烌炞C
　　最后，本文對上述方法進行實驗驗證。實驗證明（聚類效果采用F-measure進行衡量）：
　　1）在不考慮文本語義并使用同種文本非語義距離計算方法的情況下，HCA相比現(xiàn)有兩種傳統(tǒng)聚類算法具有更佳的聚類效果

7、，驗證了HCA本身的有效性；
　　2）引入文本語義相似度后，基于語義的HCA及現(xiàn)有傳統(tǒng)聚類算法相比未使用語義的本身而言有著顯著的聚類質(zhì)量提升，同時HCA效果好于其他兩種算法，表明語義的引入對聚類質(zhì)量具有顯著的改善效果，同時也驗證了HCA的有效性；
　　3）將基于語義HCA的用戶興趣模型，應用于個性化檢索實驗原型系統(tǒng)PSE中，同未采用本文方法的商業(yè)搜索引擎得到的結(jié)果相比，其結(jié)果更為滿足用戶的個性化需求。
　　本文研究提出