基于LDA主题模型标签方法研究.docVIP

基于LDA主题模型标签方法研究 　　〔摘 要〕针对现有的标签推荐方法存在的推荐准确率不高与效果不理想等问题，本文提出了基于LDA主题模型的社会化标签推荐方法。该方法利用LDA主题建模技术将传统的基于对象间关系的推荐方法扩展到融合对象间关系与资源内容特征的统一推荐。实验结果表明，该方法取得了理想的预期效果，能够显著提高标签推荐的质量与效果。 　　〔关键词〕标签推荐；LDA主题模型；推荐方法 　　DOI：10.3969/j.issn.1008-0821.2016.02.010 　　〔中图分类号〕G203 〔文献标识码〕A 〔文章编号〕1008-0821（2016）02-0053-04 　　〔Abstract〕This paper proposes a social tagging recommendation method based on LDA topic model to solve the problems of accuracy and effect in existing tagging recommendation method.This method extends the traditional tagging recommendation method based on the relation of objects to combine analysis of the relation of objects and the content of resource by using of LDA modeling technology.The experiment result shows that this methods gets a good expectant performance and dramatically improve the quality and efficiency of tagging recommendation. 　　〔Key words〕tagging recommendation；LDA topic model；recommendation method 　　标签作为Web2.0时代信息分类与索引的重要组织方式，其主要原因在于Web2.0强调以用户为中心、用户参与的互联网开放式架构理念，网络信息的产生、发布从传统的网站管理者转移到普通的网络用户身上；但由于普通用户对专业的信息分类体系缺乏了解，基于传统的固定分类体系的信息组织方法难以适应Web2.0时代的信息发布与组织模式。标签系统作为传统分类方法的替代，其随意、灵活、无等级划分的特征使得用户能够很容易利用该系统进行Web2.0上的信息分类与组织，成为Web2.0时代网络信息的重要组织方式[1]。随着社会化标注系统的快速发展，用户在使用这类系统进行资源标注时，通常会选择其他用户或自己已使用过的标签进行资源推荐，而由于社会化标签创建的随意性和个性化，难以保证标签的准确性和可用性，且随着用户数量和资源规模的增长，标签数量也随之增多，致使标签系统中存在大量模糊的、可信度低的标签。为解决这些问题，目前的研究主要集中在标签推荐领域，即利用高效的标签推荐方法提升资源所附带标签的质量[2]。现有的标签推荐方法主要分为3类： 　　（1）基于资源内容的标签推荐方法。基于资源内容的标签推荐方法从标注资源所具备的属性特征出发，通过提取描述资源内容的关键词作为标签推荐的依据。由于该方法在处理过程中仅仅利用了资源本身的信息，没有兼顾相似资源、邻居用户等信息，无法发挥标签的社会化特性，在实际运用过程中的准确率与效率并不理想[3]。 　　（2）基于协同过滤的标签推荐方法。基于协同过滤的标签推荐方法利用协同过滤技术获取相似资源、邻居用户等标签信息，实现对目标资源的推荐，如Hotho等[4]提出的FolkRank方法利用社会化标注系统中用户、标签、资源三者之间存在的关联信息对标签进行排序，根据排序结果进行协同推荐；Mishne[5]提出的AutoTag方法利用相似度计算获取与目标资源内容相似的资源，并将相似资源的标签进行聚类、排序，根据排序结果实现协同推荐。这类方法的关键是准确获取相似资源的标签信息，然后从已有的标签库中查找到相似标签进行推荐，故该方法的推荐效果会受到候选标签库规模、标签相似度计算方法准确度的影响[6]。 　　（3）基于标签语义的标签推荐方法。基于标签语义的标签推荐方法利用用户、标签、资源三者之间蕴含的语义关系获取推荐标签所需的知识并运用到推荐任务中，提高标签推荐的准确性与推荐效果，如Adrian[7]提出的ConTag方法将本体思想运用到标签推荐之中，通过将用户、标签、资源三者之间的关系表达成RDF格式进行文档主题建模