主题协同过滤模型及其应用研究

论文摘要

随着信息交互手段的高速发展，今天的研究者们能够比以往更容易获得研究信息和资料。各式各样的研究资料被电子化，通过网络的形式更加迅速地传播。但是资料规模的不断加大也带来了其负面效应，研究者们常常需要花费大量的时间和精力去这信息的海洋中去搜寻感兴趣的内容。此时，CiteULike等在线研究社区的应运而生给予了研究人员极大的帮助。研究人员能够在线有效地管理自己感兴趣的文章，并且能够与他人分享。但是这种方式并没用能够彻底解决上述的问题，研究人员依旧需要花费巨大的精力去发现有价值的文章。造成这种困境的主要原因是因为没有充分理解用户和文章，用户面对大量的冗余信息难以做出选择。基于协同过滤的个性化推荐系统能够很好的理解用户，其基于用户的过去行为，利用机器学习和数据挖掘的技术，分析用户的喜好，从而对用户进行准确的推荐。但是协同过滤本身还面临着包括冷启动在内的许多问题。而另一方面，主题模型能够有效地针对文章做出内容分析，准确地把握和理解内容。但是主题模型对于用户的信息把握却十分乏力。结合了协同过滤和主题模型两个方面的模型能够很好地解决我们所面临的问题。其能够提供一种具备良好解释性的框架对用户和文章进行建模。一方面能够依靠协同过滤技术掌握用户的偏好，另一方面能够根据主题模型把握文章的内容，结合两种不同方法的优势，能够做出有效而精准的推荐，建立用户和文章之间的桥梁。经实验证明，依据这样的模型所构建的系统，和传统的方法相比，能够显著地提升推荐的性能。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题研究背景
• 1.2 国内外研究概况
• 1.3 论文的主要研究内容
• 1.4 论文结构
• 2 相关技术分析
• 2.1 主题模型
• 2.2 潜在因素模型
• 2.3 本章小结
• 3 主题协同过滤模型构造
• 3.1 推荐任务及目标描述
• 3.2 模型的基本思想
• 3.3 与现有模型的比较
• 3.4 本章小结
• 4 主题协同过滤模型实现
• 4.1 系统的设计
• 4.2 主题模型实现
• 4.3 协同过滤实现
• 4.4 本章小结
• 5 实验及结果分析
• 5.1 数据集及评价标准
• 5.2 实验设定及结果分析
• 5.3 增强社区联系
• 5.4 本章小结
• 6 总结与展望
• 6.1 全文总结
• 6.2 展望
• 致谢
• 参考文献