个性化信息检索中基于语义相似网络的用户多兴趣建模研究

论文摘要

本文提出了一种改进的向量空间模型（VSM）用户单兴趣表示法及其动态学习算法,实验表明该算法能够实时捕捉和记录用户最新的兴趣需求,并能自适应地调整和更新用户模板。在此基础上,考虑到用户兴趣的多样性及词语表达的同义性和语义相关性问题,本文进一步提出一种基于语义相似网络（SSN）的用户多兴趣建模方法,该方法使用SSN对用户兴趣特征词进行知识层面上的扩展,联想出同义词和相关词,并将用户兴趣细分为多个类别,建立起多兴趣的用户模型。个性化推荐测试中,采用这种基于SSN的用户多兴趣建模方法的系统其推荐效果要好于采用前一种改进的VSM用户单兴趣建模方法的系统。此外,本文还研究了用户建模中的特征选择,并提出一种根据词性标注信息将词频法和TFIDF方法相结合的特征选择方法,特征选择实验表明这种基于词性标注的组合特征选择方法的效果好于单独使用词频法或TFIDF方法。在理论研究的同时,本文还介绍了用户单兴趣建模和多兴趣建模技术在个性化信息检索中的一个应用实例-智能电视节目推荐系统,并通过该系统测试验证了特征选择算法和动态学习算法的有效性,以及基于SSN的用户多兴趣建模方法的良好建模性能。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 问题的提出
• 1.2 论文的主要工作和贡献
• 1.3 论文结构安排
• 第二章 背景知识和相关方法
• 2.1 信息检索模型
• 2.2 文本特征选择方法
• 2.3 文本分类
• 2.4 词语相似度计算方法
• 2.5 本章小结
• 第三章 用户模型表示及其存储
• 3.1 用户模型表示及建模技术
• 3.1.1 用户模型表示
• 3.1.2 用户建模技术
• 3.2 改进的VSM用户模型
• 3.2.1 改进的VSM用户模型表示
• 3.2.2 改进的VSM用户模型物理存储
• 3.3 基于SSN的多兴趣用户模型
• 3.3.1 基于SSN的多兴趣用户模型表示
• 3.3.2 基于SSN的多兴趣用户模型物理存储
• 3.4 本章小结
• 第四章 用户模型构建及建模模块设计
• 4.1 用户建模方案
• 4.1.1 简单用户兴趣建模方案
• 4.1.2 基于SSN的用户多兴趣建模方案
• 4.2 语义相似网络
• 4.2.1 语义相似网络表示
• 4.2.2 语义相似网络构建
• 4.3 用户模型构建
• 4.3.1 特征选择和文本分类
• 4.3.2 SSN扩展
• 4.3.3 模型的构建与更新
• 4.4 用户建模模块设计
• 4.5 本章小结
• 第五章 个性化推荐系统实现及测试实验
• 5.1 个性化推荐系统
• 5.1.1 媒体资源管理
• 5.1.2 匹配引擎
• 5.2 特征选择测试
• 5.2.1 评价指标
• 5.2.2 实验与结果分析
• 5.3 动态学习效果测试
• 5.3.1 实验设计
• 5.3.2 评价指标
• 5.3.3 实验结果分析
• 5.4 模糊匹配与多兴趣建模效果测试
• 5.4.1 评价指标
• 5.4.2 实验与结果分析
• 5.5 本章小结
• 第六章 总结和展望
• 6.1 论文总结
• 6.2 课题展望
• 参考文献
• 致谢
• 攻读硕士学位期间已发表或录用的论文