基于语义分析的推荐算法在RSS网络信息服务中的研究

论文摘要

如何更好地帮助用户从过载的信息中快速获取需要的信息一直是研究的热点。RSS技术的提出改变了人们获取信息的方式,为解决“信息过载”问题找到了新的途径。但由于缺乏用户个性化需求的考虑,当前的RSS信息服务存在着服务质量不高和“RSS爆炸”等问题。而个性化服务在满足用户需求方面已经形成了一套自己的理论和方法。其中,个性化推荐技术是个性化服务的核心,它直接决定着推送给用户的结果集,影响着信息服务的质量。因此,本文将重点研究个性化推荐技术,并将其应用于RSS信息服务中,使个性化服务技术和RSS技术相结合,尝试为用户提供更好的个性化信息服务。目前的个性化推荐算法都是基于向量空间模型的,存在着高维稀疏问题,最重要的是都没有很好地解决文本数据所特有的两个自然语言问题:近义词和多义词。因此,本文采用一种新的思路,引入语义分析,即采用语义相似度来评估用户兴趣模型和资源信息之间的相似性。为了完善这一思想,本文对数据表示、语义相似度计算以及个性化推荐算法做了深入的讨论。首先,提出了一种更利于语义相似度计算的数据表示法—单词列表法;其次,结合Qullian中混合概念的距离计算方法,给出了单词列表间的语义相似度计算,并通过它来度量用户模型和文本间以及文本之间的语义相似性。最后提出了一个基于语义分析的推荐算法(RAUSA)。算法不仅解决了多义词和近义词的问题,还巧妙地结合了基于内容过滤推荐和基于协同过滤推荐的思想,弥补了两种算法各自的不足。最后,通过设计一个个性化RSS新闻信息服务平台,将本文提出的RAUSA算法应用于RSS网络信息服务中,实现了RSS技术和个性化服务技术的结合。同时,通过系统平台验证了基于语义分析的推荐算法是可行的。

论文目录

• 摘要
• ABSTRACT
• 图清单
• 表清单
• 第一章 绪论
• 1.1 课题的研究背景
• 1.2 国内外研究现状
• 1.2.1 个性化信息服务
• 1.2.2 RSS 技术
• 1.3 本文的研究内容
• 1.4 本文组织结构
• 第二章 基于WordNet 的语义相似度计算
• 2.1 数据表示
• 2.1.1 向量空间模型
• 2.1.2 单词列表表示法
• 2.2 单词间的语义相似度
• 2.2.1 WordNet：一个词汇数据库
• 2.2.2 相似度的定义
• 2.2.3 单词间的语义相似度计算
• 2.2.4 改进的混合法
• 2.3 单词列表间的语义相似度计算
• 2.4 实验结果与分析
• 2.5 本章小结
• 第三章 基于语义分析的推荐算法
• 3.1 传统的个性化推荐技术
• 3.1.1 基于规则的推荐算法
• 3.1.2 基于内容过滤的推荐算法
• 3.1.3 基于协同过滤的推荐算法
• 3.2 基于语义分析的推荐算法
• 3.2.1 聚类问题描述
• 3.2.2 用户模型的数学表示
• 3.2.3 综合相似度的计算
• 3.2.4 文本聚类算法
• 3.2.5 基于语义分析的推荐算法（RAUSA）（Recommendation algorithm using semantic analysis）
• 3.3 本章小结
• 第四章 基于语义分析的推荐算法在RSS 信息服务中的应用
• 4.1 RSS 技术
• 4.2 个性化的RSS 新闻信息服务平台的构建思路
• 4.2.1 平台的设计目标和功能
• 4.2.2 平台的构建思路
• 4.3 个性化的RSS 新闻信息服务平台的设计
• 4.3.1 平台的运行结构
• 4.3.2 平台的结构设计
• 4.3.3 RSS 内容获取和存储
• 4.3.4 个性化推荐处理
• 4.3.5 信息推送
• 4.4 本章小结
• 第五章 实验和结果分析
• 5.1 平台的实现
• 5.1.1 RSS 内容获取和解析
• 5.1.2 新闻信息的表示
• 5.1.3 语义相似度的计算
• 5.1.4 个性化推荐算法
• 5.2 实验
• 5.2.1 实验环境
• 5.2.2 实验数据
• 5.2.3 评估标准
• 5.2.4 实验方法
• 5.3 实验结果与分析
• 5.3.1 参数确定
• 5.3.2 实验结果与分析
• 5.4 本章小结
• 第六章 总结
• 参考文献
• 致谢
• 在校期间的研究成果及发表的学术论文