基于GBDT的社區(qū)問題標(biāo)簽推薦技術(shù)研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，信息以爆炸式的速度發(fā)布、更新、傳播。由于人們對于信息的需求，百科性質(zhì)的在線平臺迅速崛起，以滿足人們對各種領(lǐng)域?qū)I(yè)知識的需求。然而，更多開放性的問題才是人們關(guān)注的熱點，問答式社區(qū)便是根據(jù)這一需求產(chǎn)生的。
　　伴隨著問答社區(qū)中問題的積累，如何高效簡潔地組織問題資源成為社區(qū)管理者必須面對的問題。早期的問答社區(qū)采用分眾分類法對問題進(jìn)行類別標(biāo)記，以標(biāo)簽的形式組織問題。然而，這種分類方法在解決問題的同時，也存在著缺陷。于

2、是，人們探索是否可以采用自動推薦問題標(biāo)簽的方法，取代過去用戶自主定義問題標(biāo)簽的形式。在相關(guān)研究愈發(fā)深入的同時，研究者不得不面對推薦系統(tǒng)存在的共性問題：推薦系統(tǒng)的冷啟動問題、數(shù)據(jù)稀疏問題以及向量矩陣維數(shù)災(zāi)難問題等。不同的模型針對這些問題有著相應(yīng)的處理辦法，但也同樣有著相應(yīng)的缺陷。將多個模型的結(jié)果融合，從而獲取一個更準(zhǔn)確的結(jié)果便成為一種研究趨勢。在這種背景下，本文采用一種稱為GBDT（Gradient Boosting Decision T

3、ree）的機(jī)器學(xué)習(xí)方法，對問答社區(qū)標(biāo)簽推薦問題進(jìn)行了探索和研究。本文主要研究內(nèi)容與研究成果如下：
　　(1)本文首先研究了問題候選標(biāo)簽的獲取方法。通過對問題關(guān)鍵詞抽取過程的介紹和分析，分別講述了中文分詞、詞性標(biāo)注、TextRank、TFIDF等一系列關(guān)鍵詞抽取過程中涉及到的自然語言處理方法，通過對不同的方法進(jìn)行比較分析，提出了適合本文的方法。
　　(2)在問題特征的抽取方面，本文闡釋了如何使用詞向量、條件概率等模型將標(biāo)簽與問