基于增量學習和閾值優(yōu)化的自適應信息過濾.pdf

1、本文的主要工作就是研究自適應信息過濾中提高模板準確性的學習算法和過濾閾值優(yōu)化的新方法。 給出了一種改進的自適應信息過濾模型，該模型將統(tǒng)計模型(向量空間模型)與概率方法(貝葉斯方法)相結合，通過在向量空間模型中對信息文本與用戶需求進行向量表示和相似度計算來實現(xiàn)信息過濾。在需求模板的學習中運用向量中值法來構建初始的需求模板，通過增量學習偽相關反饋信息來提高需求模板的準確性。在過濾過程中以用戶反饋信息為先驗知識和訓練數(shù)據(jù)，運用高斯指數(shù)

2、分布和貝葉斯方法來推測文檔的相關性概率，以線性效用函數(shù)最優(yōu)為目標探測最優(yōu)的過濾閾值。 在模型的訓練階段，給出了運用增量學習方法對附加的少量偽相關文檔進行學習來訓練需求模板的算法，采用文檔詞頻方法來選擇特征，運用Rocchio算法調(diào)整特征向量，以此提高過濾模板的準確性；在模型的測試階段，以過濾系統(tǒng)效能函數(shù)最優(yōu)為目標，給出了探索最優(yōu)的過濾閾值的新算法。運用Rocchio算法實現(xiàn)系統(tǒng)自主地學習用戶定期反饋的信息，并自適應地調(diào)整需求模板