基于潜在主题的个性化搜索引擎用户建模

摘要

作为一种统计模型，主题模型可以有效地挖掘出隐含在文档中的有关主题，从而可以将高维度的词映射到低维度的主题空间中，达到数据降维的目的。降维后的数据可以转化为用户容易理解的信息，具有较高的可解读性。由于查询词较短且充满噪声，基准的LDA主题模型没有认识到其重要性，而且文本数据的稀疏性问题亟待解决。因此，本文试图将查询日志作为长期数据，对用户进行潜在主题建模，从而实现个性化搜索。
　　本文首先将查询日志作为用户长期数据，通过查询日志中的点击文档和查询词构建用户文档；然后提出了一个新的主题模型SELDA模型，该模型从用户层面和用户行为层面构建，使学习到的主题中词关联性更强。SELDA主题模型是一种无监督自主学习模型，可以自动挖掘语料库中的潜在主题，是一种完全意义上的贝叶斯模型；最后，利用TMT主题建模工具训练和评价SELDA主题模型。
　　实验结果表明，通过引入参数λ更新排名算法，对参数进行设置和取样，与基准LDA模型对比，个性化SELDA主题模型能够提供更好的结果。