lda模型的研究及其在推薦系統(tǒng)中的應(yīng)用

1、浙江大學(xué)研究生學(xué)位論文獨(dú)創(chuàng)性聲明本人聲明所呈交的學(xué)位論文是本人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果。除了文中特別加以標(biāo)注和致謝的地方外，論文中不包含其他人已經(jīng)發(fā)表或撰寫過的研究成果，也不包含為獲得逝亟堂或其他教育機(jī)構(gòu)的學(xué)位或證書而使用過的材料。與我一同工作的同志對(duì)本研究所做的任何貢獻(xiàn)均己在論文中作了明確的說明并表示謝意。學(xué)位論文作者簽名：烈，杰，磣簽字日期：砂“年石月f日學(xué)位論文版權(quán)使用授權(quán)書本學(xué)位論文作者完全了解浙江大學(xué)有權(quán)保留

2、并向國家有關(guān)部門或機(jī)構(gòu)送交本論文的復(fù)印件和磁盤，允許論文被查閱和借閱。本人授權(quán)浙江大學(xué)可以將學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進(jìn)行檢索和傳播，可以采用影印、縮印或掃描等復(fù)制手段保存、匯編學(xué)位論文。(保密的學(xué)位論文在解密后適用本授權(quán)書)學(xué)位論文作者簽名：烈，志鹺簽字日期：硎6年鄉(xiāng)月新簽名獅犄簽字日期≯of≮6月f日，萬方數(shù)據(jù)摘要主題模型是用來發(fā)現(xiàn)文章中隱藏的主題的一種統(tǒng)計(jì)方法，這是一種應(yīng)用范圍十分廣的生成模型。該模型假設(shè)每個(gè)文檔里存在

3、很多個(gè)隱藏的主題，而由于文檔的性質(zhì)和類別不同，使得每篇文章的主題分布情況是不同的。主題模型就是利用文章的這個(gè)特點(diǎn)，根據(jù)每篇文章的主題分布建立模型。主題模型的應(yīng)用范圍十分的廣泛，而且在許多領(lǐng)域的應(yīng)用效果也十分的顯著。本文就是以LDA(LatentDirichletAnalysis)主題模型為研究對(duì)象，針對(duì)模型的改進(jìn)和模型參數(shù)的估計(jì)進(jìn)行了進(jìn)一步研究。首先，考慮到在電子商務(wù)中在購買商品之后還可以對(duì)所購買的商品進(jìn)行評(píng)分。所以，我們對(duì)LDA模型進(jìn)

4、行了改進(jìn)，加入了對(duì)商品的評(píng)分。并且，針對(duì)離散型評(píng)分和連續(xù)型評(píng)分我們分別對(duì)LDA模型進(jìn)行了改進(jìn)，然后用變分EM算法進(jìn)行了參數(shù)估計(jì)。其次，由于在對(duì)改進(jìn)后的LDA模型用變分EM算法進(jìn)行參數(shù)估計(jì)的過程中，我們發(fā)現(xiàn)目標(biāo)函數(shù)的下界是我們假設(shè)的變分分布的熵。而熵表示的是隨機(jī)變量的不確定性，即我們假設(shè)的變分分布的不確定性。由此，我們提出用TEM(TemperedExpectationMaximization)算法對(duì)模型進(jìn)行參數(shù)估計(jì)。該算法通過對(duì)目標(biāo)函數(shù)