基于主題模型的學(xué)術(shù)論文推薦系統(tǒng)研究.pdf

1、學(xué)術(shù)論文推薦是推薦系統(tǒng)的一個(gè)應(yīng)用方向，可以幫助用戶在數(shù)千萬的文檔中找出那些需要的論文。它可以通過對(duì)用戶的歷史訪問記錄進(jìn)行分析，挖掘出用戶潛在的需求，并向其推薦與之相關(guān)的內(nèi)容，使得用戶查找論文的過程變得簡(jiǎn)潔、方便。
　　 鑒于被推薦的物品（學(xué)術(shù)論文）的特殊性，僅僅使用準(zhǔn)確度來衡量推薦結(jié)果顯然不足以滿足不同用戶的各種需求。本實(shí)驗(yàn)將提高推薦結(jié)果的驚喜度作為主要目標(biāo)。所謂驚喜度是指發(fā)現(xiàn)那些用戶并不了解卻確實(shí)需要的物品的能力。
　　

2、 本文采用基于主題模型的方法，在文檔中單詞分布已知的情況下，計(jì)算每篇文檔主題分布的后驗(yàn)概率，挖掘出其潛在主題與結(jié)構(gòu)。它不再像傳統(tǒng)的空間向量模型那樣，只單純的考慮文檔在詞典空間上的維度。這種單純的基于詞頻統(tǒng)計(jì)的方法，無法捕捉文檔內(nèi)部以及文檔間的統(tǒng)計(jì)特征，也無法捕捉到文檔的語義特征。而主題模型則是引入了了主題空間，實(shí)現(xiàn)了文檔在主題空間上的表示，不僅可以捕捉到文檔內(nèi)的語義信息，從而發(fā)現(xiàn)文檔間潛在的聯(lián)系，而且給于用戶和論文推薦很好地解釋性。<

3、br>　　 文章主要內(nèi)容一共分為三個(gè)部分?；贚DA主題模型的推薦，是根據(jù)文檔在主題上的分布概率進(jìn)行推薦的。這種在主題層面上的推薦可以有效的解決一詞多義，異形同義等問題。這對(duì)分析文檔內(nèi)容，抽取文檔特征具有很重要的意義。而且與基于TF-IDF的推薦相比，期望得到驚喜度更高的推薦?；贑TM關(guān)聯(lián)主題模型的推薦，在LDA的基礎(chǔ)上，考慮到了主題之間的關(guān)聯(lián)，能夠更有效的發(fā)覺文檔間的潛在關(guān)系，使驚喜度得到進(jìn)一步的提高?；谙嚓P(guān)反饋的推薦在之前的基