基于混合模型的科技論文標簽推薦方法研究.pdf_第1頁
已閱讀1頁,還剩74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),請進行舉報或認領

文檔簡介

1、隨著Web2.0時代的蓬勃發(fā)展,為用戶提供標記功能的網(wǎng)站應運而生。作為標記實體的標簽是用戶對物品語義內(nèi)容簡單描述,反映用戶對物品的興趣程度。以打標簽為主體的標簽系統(tǒng)作為很多網(wǎng)站中的必要組成部分,對于方便用戶信息檢索、發(fā)現(xiàn)內(nèi)容、進行決策等都起到非常重要的作用。隨著標簽系統(tǒng)的發(fā)展,標簽中的拼寫錯誤、同義詞、組合詞等引起的標簽膨脹于或者不規(guī)范的問題逐漸暴露出來,這時標簽推薦發(fā)揮了作用。在數(shù)據(jù)挖掘、信息檢索及其相關領域,標簽推薦已經(jīng)成為一個非常

2、熱門的研究點。
  近些年,研究人員將目光轉(zhuǎn)向了混合模型來做標簽推薦。混合模型是把協(xié)同過濾和主題模型兩種方法進行融合,一方面吸收了協(xié)同過濾的在推薦上的優(yōu)點,另一方面,通過內(nèi)容信息將條目聚類,并通過語義聯(lián)系起來,相關實驗表明混合方法確實有著不錯的表現(xiàn)。本文實現(xiàn)的是面向科技論文的標簽推薦方法,主要解決如何對科技論文推薦標簽,進而方便用戶對論文選擇合適標注的問題。本文從研究現(xiàn)狀出發(fā),分析現(xiàn)有標簽推薦的不足,借鑒混合模型在整合多源數(shù)據(jù)方面

3、的優(yōu)點,提出了兩種模型:基于核的協(xié)同主題回歸模型和基于內(nèi)容互信的矩陣分解主題回歸模型這兩種方法。前者利用高斯過程添加核函數(shù)的方式捕捉數(shù)據(jù)之間的非線性的社交關系,有效解決了由于傳統(tǒng)推薦中假設個體之間相互獨立而帶來的弊端;而后者引入信任傳播機制來描述社交關系中存在關聯(lián)的個體之間內(nèi)容上的聯(lián)系,通過使用正則化拉普拉斯函數(shù)表示社交關系中個體之間關系,有效的解決了如何表示個體之間信任關系強弱的問題。
  本文中提出的兩種方法都是將內(nèi)容信息和社

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)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 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)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(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確性、安全性和完整性, 同時也不承擔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