基于上下文與面向社會媒體的信息推薦方法研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，人們使用網(wǎng)絡(luò)的方式發(fā)生了顯著的變化。由互聯(lián)網(wǎng)用戶自身行為產(chǎn)生的數(shù)據(jù)量呈現(xiàn)爆炸性的增長。面對如此龐大的資源，使得想要為用戶準(zhǔn)確、快速地找到感興趣的內(nèi)容變得越來越有挑戰(zhàn)性。傳統(tǒng)的搜索引擎Yahoo!(www.yahoo.com)，AltaVista(www.altavista.com)和Google(www.google.com)等是輔助人們獲取信息的最普遍的工具。但是仍然不能滿足不同背景、不同目的、不同時期的個性化信

2、息需求[119]。個性化服務(wù)技術(shù)就是針對這個問題而提出的，它為不同用戶提供不同的服務(wù)，以滿足不同的需求。推薦系統(tǒng)作為個性化服務(wù)研究領(lǐng)域的重要分支，通過挖掘用戶與項目(user-item)的二元關(guān)系，幫助用戶從大量數(shù)據(jù)中發(fā)現(xiàn)其可能感興趣的項目，并生成個性化推薦以滿足個性化需求[24]。在傳統(tǒng)的推薦系統(tǒng)研究中，人們往往只關(guān)注“用戶-項日”之間的關(guān)聯(lián)關(guān)系，很少考慮它們所處的上下文環(huán)境（如時間、地址、天氣狀況、情緒等等）。在許多應(yīng)用場景下，僅僅

3、依靠“用戶-項目”二元關(guān)系并不能生成精確推薦。本文將上下文信息融入推薦系統(tǒng)，針對基于上下文的信息推薦及面向社會媒體的信息推薦領(lǐng)域的一些方法進行了研究，主要工作如下:
　　1.提出一種基于查詢上下文模型提取支配集的方法，保留主要特征的同時移除不相關(guān)上下文信息;在協(xié)同標(biāo)記系統(tǒng)(folksonomy)中建立查詢上下文圖模型來提取用戶的偏好，以改善個性化搜索的性能。
　　2.針對個性化推薦系統(tǒng)的數(shù)據(jù)具有高稀疏化的特性，提出了一種基于

4、因式分解機(Factorization Machines，F(xiàn)Ms)的上下文感知電影推薦的方法，將特征的真實值(real-value)作為因式分解機的輸入數(shù)據(jù)，并將上下文信息融入FMs中，同時提出一種基于上下文感知最小均方根誤差的特征提取方法，旨在識別和獲取那些對推薦任務(wù)確有影響的有效上下文信息，即識別和獲取那些對提高推薦精確度的上下文信息。
　　3.面對新聞?wù)臋n進行公眾情感推薦，提出了面向在線新聞推薦系統(tǒng)的公眾情感檢測系統(tǒng)由三

5、個部分組成，即:文檔選擇(Document selection)、詞性(Part-of-speech)標(biāo)注和公眾情感詞典的生成算法。我們將從新浪網(wǎng)站社會版塊收集的40，897篇文章組成在線新聞的集合，用來評估本章提出的公眾情感分析方法的性能。實驗結(jié)果表明，該方法能夠有效地選擇一個符合語法規(guī)則的訓(xùn)練集，生成帶有POS信息的公眾情感詞典。另外，我們對公眾情感詞典樣本進行了定性分析，其結(jié)果表明:詞典中的詞匯不僅僅可以顯式地表達(dá)情感，也可以隱含

6、地表達(dá)出潛在的情感。同時，詞典中的每個詞的詞性對于檢測那些具有多義性的情感或者需要依賴上下文信息才能確定的情感取向具有一定的作用。
　　4.在新聞推薦系統(tǒng)中，我們提出了一種新的詞加權(quán)方法用于新事件檢測。我們將特征劃分為局部元素(Local element)、全局元素(Global element)和局部關(guān)聯(lián)(Topicalassociation)三部分。局部元素(Local element)用來提取每一篇文檔具有識別能力的特征。全