基于詞嵌入的模糊文本搜索與推薦系統(tǒng).pdf

1、如今隨著互聯(lián)網(wǎng)技術的蓬勃發(fā)展，數(shù)據(jù)信息量呈現(xiàn)指數(shù)增長的趨勢。如何有效快速地從海量數(shù)據(jù)中篩選所需要的信息已經(jīng)成為一個迫切需要解決的問題。另一方面，由于人工智能技術的不斷突破，使得搜索推薦系統(tǒng)作為一種方便的獲取信息的方式，已經(jīng)被廣泛地運用到了人們的生活中。
　　但是目前大多數(shù)的搜索推薦系統(tǒng)離真正意義上的人工智能還有著相當大的差距，特別是當數(shù)據(jù)量龐大但是計算能力受到限制的情況下，呈現(xiàn)的結果質量和計算效率往往都不盡如人意。在傳統(tǒng)的搜索系統(tǒng)

2、中，采用關鍵詞匹配獲取搜索結果，計算效率往往非常低下，并且通常缺少語義上的理解，而且當用戶輸入的搜索文本表述較為模糊的時候很難捕捉用戶的真正需求從而獲得滿意的搜索結果;現(xiàn)有的主流推薦系統(tǒng)，存在冷啟動、學習速度慢、需要維護龐大的矩陣數(shù)據(jù)等一系列問題，而且都沒有考慮用戶的個人特點，背景，興趣等因素，從而無法為用戶制定個性化推薦。本文針對上述問題，主要在以下幾方面開展了研究工作:
　　(1)在研究了現(xiàn)有的搜索算法的基礎上，提出了基于反向

3、過濾思想的模糊快速搜索算法，算法通過反向過濾思想能夠快速過濾出內(nèi)容合理的標簽，從而大大提升了搜索算法的計算效率，并且有效地實現(xiàn)了對用戶搜索的模糊文本的智能理解。詳細闡述了模糊匹配算法的思想以及具體實現(xiàn)的流程。最后通過實驗驗證了算法的性能。
　　(2)分析研究了現(xiàn)有的主流推薦算法，針對經(jīng)典的協(xié)同過濾推薦算法存在的問題，提出了一種基于貝葉斯網(wǎng)絡的用戶興趣預測推薦系統(tǒng)，避免了協(xié)同過濾推薦系統(tǒng)存在的冷啟動、學習速度慢、維護數(shù)據(jù)量巨大等問題

4、。該系統(tǒng)利用用戶的個人信息，例如個人特點，性格，背景等，預測用戶真正的興趣愛好，為用戶提供個性化資源推薦服務提供依據(jù)。同時，系統(tǒng)加入了自適應反饋模塊，根據(jù)用戶實際情況智能地調節(jié)網(wǎng)絡參數(shù)，使得推薦系統(tǒng)的預測準確性不斷提高。
　　(3)對深度學習詞向量工具word2vec進行相關的研究和實踐，利用深度學習語言模型訓練詞向量實現(xiàn)對單詞語義的表示，使得搜索系統(tǒng)能夠理解文本信息中包含的深層語義。此外，在word2vec現(xiàn)有的近義詞聯(lián)想功能基