協(xié)同過濾推薦算法是最常用的推薦算法之一,其利用大量相關(guān)數(shù)據(jù)對用戶行為相似性進行分析并為用戶提供個性化推薦。在大數(shù)據(jù)時代,大量的數(shù)據(jù)呈現(xiàn)在人們面前,而個性化推薦的實現(xiàn)需要挖掘數(shù)據(jù)中的隱含信息。LDA主題模型通常用于獲取文檔的主題分布信息,因此,許多學者嘗試將LDA主題模型應(yīng)用于協(xié)同過濾推薦算法之中,并且不斷地進行探索優(yōu)化。傳統(tǒng)的LDA主題模型是無監(jiān)督主題模型,在實際的文本挖掘應(yīng)用中,整個數(shù)據(jù)集經(jīng)常需要處理大量的主題,而用戶實際上只對其中小部分主題感興趣。在這種情況下,直接應(yīng)用LDA模型存在明顯的缺點。即LDA模型在處理大量主題的過程中,往往會生成很多的局部極大值;這使得模型可能會給出許多“垃圾”主題,最終生成不穩(wěn)定的結(jié)果。但是,在多數(shù)情況下數(shù)據(jù)集中相關(guān)主題存在的數(shù)量太少,所以需要使用大量的主題以無監(jiān)督的方式來捕獲它們。本文在LDA主題模型的基礎(chǔ)上,固定相關(guān)主題關(guān)鍵詞對應(yīng)的主題區(qū)間,提出了區(qū)間半監(jiān)督LDA主題模型。區(qū)間半監(jiān)督LDA主題模型能有效規(guī)避在傳統(tǒng)LDA主題模型構(gòu)建過程中生成“垃圾”主題的風險,提高了模型主題分布計算的準確率。已知協(xié)同過濾推薦算法可以利用LDA主題模型計算文檔的主題分...

【文章頁數(shù)】：42 頁

【學位級別】：碩士

【部分圖文】：

圖3-1概率模型：（a）LDA；（b）半監(jiān)督LDA；（c）區(qū)間半監(jiān)督LDA

分系統(tǒng)地介紹了吉布斯采樣地計算過程），因為它容易推廣到以下考慮的區(qū)間半監(jiān)督LDA。在簡單變化之后，吉布斯采樣減少到折疊吉布斯采樣:pz=tz,j,α,β∝qz,t,z,j,α,β=,()∑(,())∈,()∑(,)∈(3-1)其中z是一定分....

圖5-1用戶準確率對比

表5-5基于區(qū)間半監(jiān)督LDA用戶推薦準確率用戶名稱推薦數(shù)1020304050用戶10.310.350.230.320.38用戶20.320.370.350.400.39用戶30.380.420.370.400.44用戶40.....

圖5-2用戶準確率對比

可以發(fā)現(xiàn)這類用戶對我們預定義的娛樂新聞并不感興趣�；仡檯^(qū)間半監(jiān)督LDA主題的建模過程可以發(fā)現(xiàn)，當詞并不包含在預定義關(guān)鍵詞集中時，我們?nèi)允褂脗鹘y(tǒng)LDA主題模型的公式進行計算。因此，我們可以得出結(jié)論，當用戶對預定義關(guān)鍵詞集所屬領(lǐng)域的新聞文檔不敢興趣時，使用區(qū)間半監(jiān)督LDA....

圖1由圖5-1可以看出，對于第一類用戶來說，使用傳統(tǒng)的LDA主題模型或是使用區(qū)間半監(jiān)督LDA主題模型進行建模測評結(jié)果并沒有發(fā)生改變

表5-5基于區(qū)間半監(jiān)督LDA用戶推薦準確率用戶名稱推薦數(shù)1020304050用戶10.310.350.230.320.38用戶20.320.370.350.400.39用戶30.380.420.370.400.44用戶40.....

本文編號：3906868