基于情景信息的用户兴趣度建模研究

摘要

随着互联网上信息的迅速增长，人们对个性化服务的需求越来越高。海量的信息虽然给互联网上的用户带来了极大的方便，但是大量无用的信息淹没了用户感兴趣的内容，增加了用户获取有用信息的难度。在信息服务系统中，引入用户兴趣模型可以更好地为用户提供个性化服务，有效缓解信息过载问题，改善用户体验。
　　传统的用户兴趣模型通过分析用户的浏览行为和访问内容，获取内容特征及用户的兴趣偏好，而很少考虑到用户当前所处的情景信息对用户偏好的影响。本文主要从用户的角度考虑，深入研究融入情景信息的用户历史浏览行为日志。通过提取用户所处的情景信息，并对情景信息进行分类，最终建立两种基于情景信息的用户兴趣模型。
　　第一种基于情景的层次性向量空间模型（Hierarchical Vector Space Model based on Context, HVSM）是针对传统的向量空间模型的改进。该方法首先根据情景相似度划分用户的近似情景集，对“情景—用户—兴趣项”三维模型采用情景预过滤的方式降维处理；接着采用粗分类的方法，归纳用户浏览的网页得到用户兴趣类别；然后深入挖掘每种兴趣类别的页面内容，获取用户感兴趣的关键词及权重；最终建立基于情景的层次性向量空间模型。实验结果表明，基于情景的层次性向量空间模型将用户兴趣的预测误差控制在9％以内，并对传统的向量空间模型进行了优化。
　　第二种基于情景的用户兴趣主题模型（User Topic Model based on Context, UTM）是针对主题模型的改进。在主题模型中引入情景这一变量，对用户情景和文本信息采用各自独立的隐变量进行表征，模型经过训练后，得到用户在不同情景下的主题特征向量及关键词序列。实验结果表明，引入情景信息后，可以得到对用户兴趣更精确的描述，同时降低了模型的困惑度。

目录

声明

第一章 绪论

1.1 研究背景及意义

1.2 研究现状

1.3 研究内容

1.4 论文组织结构

第二章 用户兴趣建模研究

2.1 用户兴趣建模方法

2.2 文本处理及表征相关技术

2.3 文本相似度计算

2.4 文本聚类算法

2.5 本章小结

第三章 情景建模相关技术研究

3.1 情景定义及获取

3.2 情景处理方式

3.3 情景偏好提取技术

3.4 情景相似度

3.5 本章小结

第四章 基于情景的层次性向量空间模型

4.1 用户兴趣三维建模

4.2 基于情景的层次性向量空间模型表示

4.3 基于PV提取用户兴趣类别

4.4 基于网页内容提取用户兴趣关键词

4.5 实验与分析

4.6 本章小结

第五章 基于情景的用户兴趣主题模型

5.1 模型设计思想

5.2 LDA主题模型概述

5.3 基于情景的用户兴趣主题模型

5.4 基于情景的用户兴趣主题模型设计

5.5 实验与分析

5.6 本章小结

第六章 总结与展望

6.1 论文总结

6.2 工作展望

参考文献

攻读硕士学位期间的研究成果

致谢