双结构网络中的热门话题演化机制及其应用研究

摘要

随着大数据时代来临，互联网走进千家万户，成为人们获取信息的最重要的途径。然而，在互联网信息资源极大丰富的同时，“信息冗余”、内容难以治理等问题也日益凸显。双结构新型网络在传统TCP/IP的互联网上，增添物理广播和内容存储相结合的播存次结构，分担共享型内容流量，以对互联网主结构实施“深度去冗”。同时，在接入终端提供个性化推荐服务，满足用户的个性化需求。传统的基于内容的个性化推荐算法和协同过滤个性化推荐算法，难以帮助用户了解感兴趣内容的发展状况。基于话题的隐语义推荐方式通过挖掘用户在话题维度的兴趣特征，相比较传统的个性化推荐方法，更准确地刻画了用户的阅读喜好。但是，互联网上的话题随着时间推移而不断变化，如何把握话题的变化规律，反映话题的演化趋势，是基于话题的个性化推荐算法的需要解决的难题。
　　针对基于话题的个性化推荐话题随时间推移演化的问题，本文结合双结构网络的特点，提出了一种追踪话题随时间推移而变化的热门话题演化跟踪算法ELDA(Entity based Latent DirichleAllocation)，并基于此算法提出了一种基于话题的个性化推荐算法ETR(Entity and Topic basedRecommendation)，应用于播存结构中的个性化推荐中，帮助用户追踪感兴趣的热门话题。本文的主要研究工作如下:
　　针对话题随时间推移演化的问题，设计出一种适用于双结构网络的热门话题演化跟踪算法ELDA。该算法基于传统的LDA话题挖掘算法进行改进，并增添命名实体用于表征聚类话题，将不同时间阶段聚类的话题串联起来，使话题在演化过程中具有联系性。ELDA算法能够对海量新闻网页进行自动、高效的话题挖掘，并能反映话题在强度、内容上的变化趋势。
　　将ELDA算法应用于个性化推荐，以满足播存次结构中用户的个性化需求，提出了基于话题的个性化推荐算法ETR。该算法根据用户历史行为特征，建立用户的话题维度的兴趣特征向量，并通过Jensen-Shannon散度进行话题的相似度计算，寻找相似话题进行推荐。同时，通过命名实体寻找与浏览历史有关的关联话题，帮助用户追踪感兴趣话题的发展状况。相比传统的个性化推荐算法，ETR算法能够更加准确地刻画用户的兴趣，满足用户的个性化需求。
　　结合双结构网络的特点，实现了热门话题演化追踪与个性化推荐的原型系统。在原型系统中，设计了热门话题演化机制的基本框架。使用双结构网络中的真实数据集对本文提出ELDA算法进行了实验与分析，结果验证了该算法能够有效地追踪话题随时间推移的演化过程。同时，使用Amazon product co-purchasing network metadata数据集对本文提出的ETR算法进行了仿真实验，对比传统的基于内容的个性化推荐算法，验证了ETR算法能够更准确地刻画用户的兴趣，具有更好的推荐准确度。

目录

声明

摘要

图目录

表目录

第一章 绪论

1．1 研究背景

1．2 研究目标及内容

1．3 论文组织结构

第二章 话题演化与个性化推荐相关研究

2．1 话题演化追踪相关研究

2．1．1 基于事件的话题演化方法

2．1．2 基于LDA的话题演化方法

2．2 个性化推荐相关研究

2．2．1 基于内容的个性化推荐技术

2．2．2 协同过滤推荐技术

2．2．3 隐语义个性化推荐技术

2．3 本章小结

第三章 双结构网络中的热门话题演化跟踪算法

3．1 主要问题与研究思路

3．2 热门话题演化跟踪算法ELDA的基础框架

3．3 ELDA演化跟踪算法

3．3．1 传统LDA算法中的问题分析

3．3．2 热门话题演化跟踪模块

3．3．3 命名实体提取模块

3．3．4 基于命名实体的话题表征模块

3．3．5 话题的表达方式

3．3．6 ELDA演化跟踪算法模型总结

3．4 本章小结

第四章 基于话题的个性化推荐

4．1 主要问题与研究思路

4．2 基于话题个性化推荐算法ETR总体框架

4．3 ETR个性化推荐算法

4．3．1 UCL的信息标引

4．3．2 相似话题推荐

4．3．3 追踪关联话题

4．3．4 ETR算法总结

4．4 本章小结

第五章 原型系统实验验证与分析

5．1 原型系统框架

5．1．1 原型系统总体框架与相关模块分析

5．1．2 原型系统终端界面展示

5．2 实验与分析

5．2．1 ELDA算法实验与分析

5．2．2 ETR个性化推荐算法实验与分析

5．3 本章小结

第六章 论文总结与未来工作

6．1 论文总结

6．2 未来工作

致谢

参考文献