主題模型在論文推薦系統(tǒng)中的應(yīng)用研究.pdf

1、隨著科技的快速發(fā)展,科技論文的規(guī)模在快速增長(zhǎng),為科研工作者帶來了豐富的文獻(xiàn)資料。據(jù)統(tǒng)計(jì),高校論文數(shù)量以每年6％-8%的速度在增長(zhǎng),規(guī)模已達(dá)千萬級(jí),用戶搜索感興趣論文的時(shí)間也與日俱增。
　　在此背景下,論文推薦系統(tǒng)應(yīng)運(yùn)而生,傳統(tǒng)的論文推薦系統(tǒng)基于論文元數(shù)據(jù)或向量空間模型進(jìn)行,存在無法解決語義和效率低下的問題,推薦效果不理想。為了解決該問題,本文將主題模型應(yīng)用于論文推薦系統(tǒng)中,并給出改進(jìn)的用戶興趣模型算法。本文的主要工作如下:

2、　　1.對(duì)主題模型和論文推薦系統(tǒng)的相關(guān)理論和研究現(xiàn)狀進(jìn)行了分析,研究分析了主題模型應(yīng)用在論文推薦系統(tǒng)中的可行性。
　　2.給出了一種新的用戶興趣模型算法TV-IPF,該算法增加了在用戶興趣論文列表中出現(xiàn)次數(shù)少、權(quán)值大的主題在用戶興趣模型中的權(quán)值,同時(shí)不會(huì)降低出現(xiàn)在較多興趣論文中的主題的權(quán)值。與傳統(tǒng)的均值方法相比,基于改進(jìn)算法得出的用戶興趣模型和相應(yīng)的推薦結(jié)果更符合用戶的真實(shí)需求。
　　3.設(shè)計(jì)并實(shí)現(xiàn)了基于主題模型的推薦系統(tǒng),