基于瀏覽記錄的文本挖掘與智能推薦研究與實現(xiàn).pdf

1、互聯(lián)網(wǎng)的快速發(fā)展產(chǎn)生了數(shù)據(jù)量龐大、數(shù)據(jù)結(jié)構(gòu)復(fù)雜和實時處理要求高的Web文本，一般的文本推薦方法依賴于屬性計算或關(guān)鍵字匹配，導(dǎo)致推薦結(jié)果不理想。為了解決這一問題，本文通過提取用戶瀏覽記錄中的網(wǎng)頁文本信息，對文本進行特征表示和語義分析，在同類別網(wǎng)頁文本中篩選出與用戶瀏覽相似度較高的文本，結(jié)合用戶對網(wǎng)頁文本的興趣度，將排序結(jié)果推薦給用戶，完成了智能推薦的研究工作。
　　主要工作包括以下三個方面:(1)本文提出了使用語義感知池化（SAP）

2、的卷積神經(jīng)網(wǎng)絡(luò)（CNN）文本模型。其中，語義感知使用了概念層次網(wǎng)絡(luò)(HNC)理論中句類模式和語義感知處理模塊，結(jié)合概率上下文無關(guān)法(PCFG)進行句類分析，以此改進CNN中的Pooling層來處理卷積后的文本特征。使用改進的模型分別在文本相似度和文本語義分析工作上進行仿真實驗，驗證了其可行性和優(yōu)越性。
　　(2)在文本特征表示與計算的基礎(chǔ)上，本文使用在傳統(tǒng)向量空間模型相關(guān)研究中構(gòu)造的長文本相似度計算方法，計算用戶瀏覽文本與候選集文

3、本的相似度，其中候選集文本是由用戶瀏覽記錄和待推薦文本聚類得到的。然后收集用戶網(wǎng)頁操作行為并計算用戶對該網(wǎng)頁文本的興趣度。本文使用將文本相似度模型與用戶興趣模型相結(jié)合的方法，計算出前n個相似度與興趣度的綜合評分較高的候選文本作為最終的Web文本推薦列表。本文對給出的Web文本推薦模型進行了實驗分析，實驗表明該方法能夠加快算法收斂速度并降低平均絕對誤差。
　　(3)本文將相關(guān)的方法進行集成與設(shè)計，基于BS框架實現(xiàn)了智能推薦工具，并完