基于瀏覽記錄的文本挖掘與智能推薦研究與實(shí)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(shí)時(shí)處理要求高的Web文本，一般的文本推薦方法依賴于屬性計(jì)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(wèn)題，本文通過(guò)提取用戶瀏覽記錄中的網(wǎng)頁(yè)文本信息，對(duì)文本進(jìn)行特征表示和語(yǔ)義分析，在同類別網(wǎng)頁(yè)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(duì)網(wǎng)頁(yè)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(gè)方面:(1)本文提出了使用語(yǔ)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(yǔ)義感知使用了概念層次網(wǎng)絡(luò)(HNC)理論中句類模式和語(yǔ)義感知處理模塊，結(jié)合概率上下文無(wú)關(guān)法(PCFG)進(jìn)行句類分析，以此改進(jìn)CNN中的Pooling層來(lái)處理卷積后的文本特征。使用改進(jìn)的模型分別在文本相似度和文本語(yǔ)義分析工作上進(jìn)行仿真實(shí)驗(yàn)，驗(yàn)證了其可行性和優(yōu)越性。
　　(2)在文本特征表示與計(jì)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(zhǎng)文本相似度計(jì)算方法，計(jì)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(yè)操作行為并計(jì)算用戶對(duì)該網(wǎng)頁(yè)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(jì)算出前n個(gè)相似度與興趣度的綜合評(píng)分較高的候選文本作為最終的Web文本推薦列表。本文對(duì)給出的Web文本推薦模型進(jìn)行了實(shí)驗(yàn)分析，實(shí)驗(yàn)表明該方法能夠加快算法收斂速度并降低平均絕對(duì)誤差。
　　(3)本文將相關(guān)的方法進(jìn)行集成與設(shè)計(jì)，基于BS框架實(shí)現(xiàn)了智能推薦工具，并完