基于論文關鍵詞聚類的用戶興趣模型細化方法研究.pdf

1、隨著個性化推薦技術的以及用戶興趣建模技術的研究發(fā)展，個性化推薦服務已滲透到了諸多領域。傳統(tǒng)的用戶興趣建模技術中，基于本體或分類的用戶興趣模型因其允許用戶興趣預測等優(yōu)點而獲得廣泛關注。然而，傳統(tǒng)的分類方式往往由于粒度過粗、需要人工參與等缺點而使得用戶個性化推薦效果大大降低。因此，研究新的算法來改善基于本體或分類結構的用戶興趣模型來提高個性化推薦的效率和質(zhì)量具有十分重要的意義。
　　以改良傳統(tǒng)的基于本體或分類的用戶興趣模型的推薦效果為

2、目標，本文主要進行了以下幾項工作：
　　首先，提出了一個基于論文關鍵詞共現(xiàn)網(wǎng)絡的學科主題細分方法。以加權的關鍵詞共現(xiàn)網(wǎng)絡來表示學科或研究主題內(nèi)的關鍵詞分布情況，通過對加權的關鍵詞共現(xiàn)網(wǎng)絡使用聚類算法，刪除權重較低的邊，從而得到學科分類系統(tǒng)的細化擴展結果。細化后的學科分類系統(tǒng)為細化用戶興趣模型建立了基礎。
　　然后，給出了基于論文關鍵詞聚類的用戶興趣建模方法。對傳統(tǒng)的基于本體的用戶興趣建模的算法進行了改善，增加了用于度量某一主

3、題的內(nèi)容與用戶興趣傾向的偏移程度的關聯(lián)因子。關聯(lián)因子的引入使得建模算法更容易區(qū)分一些用戶在其興趣程度相似的研究主題上的興趣程度。另外，本文中的用戶興趣模型構建方法通過考慮學科分類系統(tǒng)中研究主題間的緊密關系，區(qū)分了顯式興趣模型與隱式興趣模型的概念，并給出了通過在計算中引入顯式興趣模型來構建隱式興趣模型的方法。使用顯式興趣模型作為用戶個性化推薦的主要模型，而隱式興趣模型則作為個性化推薦的必要補充。使用顯式與隱式興趣模型相結合的方法來描述用戶