基于上下文與面向社會(huì)媒體的信息推薦方法研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，人們使用網(wǎng)絡(luò)的方式發(fā)生了顯著的變化。由互聯(lián)網(wǎng)用戶(hù)自身行為產(chǎn)生的數(shù)據(jù)量呈現(xiàn)爆炸性的增長(zhǎng)。面對(duì)如此龐大的資源，使得想要為用戶(hù)準(zhǔn)確、快速地找到感興趣的內(nèi)容變得越來(lái)越有挑戰(zhàn)性。傳統(tǒng)的搜索引擎Yahoo!(www.yahoo.com)，AltaVista(www.altavista.com)和Google(www.google.com)等是輔助人們獲取信息的最普遍的工具。但是仍然不能滿(mǎn)足不同背景、不同目的、不同時(shí)期的個(gè)性化信

2、息需求[119]。個(gè)性化服務(wù)技術(shù)就是針對(duì)這個(gè)問(wèn)題而提出的，它為不同用戶(hù)提供不同的服務(wù)，以滿(mǎn)足不同的需求。推薦系統(tǒng)作為個(gè)性化服務(wù)研究領(lǐng)域的重要分支，通過(guò)挖掘用戶(hù)與項(xiàng)目(user-item)的二元關(guān)系，幫助用戶(hù)從大量數(shù)據(jù)中發(fā)現(xiàn)其可能感興趣的項(xiàng)目，并生成個(gè)性化推薦以滿(mǎn)足個(gè)性化需求[24]。在傳統(tǒng)的推薦系統(tǒng)研究中，人們往往只關(guān)注“用戶(hù)-項(xiàng)日”之間的關(guān)聯(lián)關(guān)系，很少考慮它們所處的上下文環(huán)境（如時(shí)間、地址、天氣狀況、情緒等等）。在許多應(yīng)用場(chǎng)景下，僅僅

3、依靠“用戶(hù)-項(xiàng)目”二元關(guān)系并不能生成精確推薦。本文將上下文信息融入推薦系統(tǒng)，針對(duì)基于上下文的信息推薦及面向社會(huì)媒體的信息推薦領(lǐng)域的一些方法進(jìn)行了研究，主要工作如下:
　　1.提出一種基于查詢(xún)上下文模型提取支配集的方法，保留主要特征的同時(shí)移除不相關(guān)上下文信息;在協(xié)同標(biāo)記系統(tǒng)(folksonomy)中建立查詢(xún)上下文圖模型來(lái)提取用戶(hù)的偏好，以改善個(gè)性化搜索的性能。
　　2.針對(duì)個(gè)性化推薦系統(tǒng)的數(shù)據(jù)具有高稀疏化的特性，提出了一種基于

4、因式分解機(jī)(Factorization Machines，F(xiàn)Ms)的上下文感知電影推薦的方法，將特征的真實(shí)值(real-value)作為因式分解機(jī)的輸入數(shù)據(jù)，并將上下文信息融入FMs中，同時(shí)提出一種基于上下文感知最小均方根誤差的特征提取方法，旨在識(shí)別和獲取那些對(duì)推薦任務(wù)確有影響的有效上下文信息，即識(shí)別和獲取那些對(duì)提高推薦精確度的上下文信息。
　　3.面對(duì)新聞?wù)臋n進(jìn)行公眾情感推薦，提出了面向在線(xiàn)新聞推薦系統(tǒng)的公眾情感檢測(cè)系統(tǒng)由三

5、個(gè)部分組成，即:文檔選擇(Document selection)、詞性(Part-of-speech)標(biāo)注和公眾情感詞典的生成算法。我們將從新浪網(wǎng)站社會(huì)版塊收集的40，897篇文章組成在線(xiàn)新聞的集合，用來(lái)評(píng)估本章提出的公眾情感分析方法的性能。實(shí)驗(yàn)結(jié)果表明，該方法能夠有效地選擇一個(gè)符合語(yǔ)法規(guī)則的訓(xùn)練集，生成帶有POS信息的公眾情感詞典。另外，我們對(duì)公眾情感詞典樣本進(jìn)行了定性分析，其結(jié)果表明:詞典中的詞匯不僅僅可以顯式地表達(dá)情感，也可以隱含

6、地表達(dá)出潛在的情感。同時(shí)，詞典中的每個(gè)詞的詞性對(duì)于檢測(cè)那些具有多義性的情感或者需要依賴(lài)上下文信息才能確定的情感取向具有一定的作用。
　　4.在新聞推薦系統(tǒng)中，我們提出了一種新的詞加權(quán)方法用于新事件檢測(cè)。我們將特征劃分為局部元素(Local element)、全局元素(Global element)和局部關(guān)聯(lián)(Topicalassociation)三部分。局部元素(Local element)用來(lái)提取每一篇文檔具有識(shí)別能力的特征。全