基于文本語義的個性化圖書推薦.pdf_第1頁
已閱讀1頁,還剩79頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、互聯(lián)網(wǎng)中積累的海量圖書標(biāo)簽、摘要為分析閱讀興趣和構(gòu)建個性化圖書推薦系統(tǒng)提供了新的數(shù)據(jù)來源。因此本文主要研究如何整合標(biāo)簽、摘要等文本數(shù)據(jù),構(gòu)建個性化圖書推薦系統(tǒng),提升系統(tǒng)性能。
  本文工作可以分為基于語義的興趣偏好模型、推薦算法的設(shè)計和基于Spark平臺的并行化實現(xiàn)三個部分。首先提出基于詞向量和共現(xiàn)頻次計算標(biāo)簽語義相似度的算法,并針對具體場景設(shè)計優(yōu)化方式。然后分別使用PIC算法和LDA算法建立基于標(biāo)簽和圖書摘要的語義偏好模型,并采

2、用基于語義偏好的協(xié)同過濾擴展算法生成圖書推薦列表。最后,在Spark分布式計算平臺上并行化實現(xiàn)推薦系統(tǒng)。
  本文首先介紹了課題的研究背景與意義,在相關(guān)文獻(xiàn)的基礎(chǔ)上,總結(jié)了影響個性化推薦系統(tǒng)性能的關(guān)鍵問題,明確了本文的具體研究內(nèi)容。其次,本文研究了語義分析、聚類、推薦算法等課題關(guān)鍵技術(shù),指出各種技術(shù)的優(yōu)缺點,是后續(xù)研究的理論基礎(chǔ)。再者,建立基于文本語義的興趣偏好模型。其中,引入衰減函數(shù)作為權(quán)重,解決標(biāo)簽偏好的時間效應(yīng)問題;提出基于

3、詞向量和共現(xiàn)頻次計算標(biāo)簽相似度的算法,并針對本課題的具體場景設(shè)計優(yōu)化方式,提升相關(guān)性計算的準(zhǔn)確度;基于PIC算法實現(xiàn)標(biāo)簽聚類,建立基于標(biāo)簽語義的興趣偏好模型,解決了標(biāo)簽的稀疏問題;利用LDA算法分析圖書摘要潛在主題分布,建立摘要語義偏好模型,解決標(biāo)簽過少引起的冷啟動問題。
  本文使用基于語義偏好的協(xié)同過濾擴展算法生成推薦結(jié)果,并設(shè)計實驗測試系統(tǒng)性能。
  實驗結(jié)果表明:
  (1)基于文本語義的閱讀興趣偏好特征能夠正

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論