基于语义的标签推荐系统关键问题研究

论文摘要

随着Internet和Web2.0技术的飞速发展,日益严重的信息过载问题推进了个性化推荐系统的快速发展。现有的个性化推荐技术虽然在一定程度上帮助了人们在信息的海洋中寻找到自己喜好的信息,仍而却不能准确的理解用户的喜好,从而影响到推荐的准确率及推荐效果。本文针对传统个性化推荐系统的局限性,结合标签系统和推荐系统提出了基于语义的标签推荐系统框架。重点分析了标签系统中的各个模块,包括标签的结构分析、标签整理方法、标签选择算法,以及构建基于标签的用户喜好模型。此外,在推荐系统的推荐算法部分,本文提出了基于语义相似度的标签推荐算法,较好地解决了词和词的相似度以及句子和句子的相似度计算问题。最后,本文通过实验分析来验证所提出的基于语义的标签推荐系统及基于语义相似标签算法,并且同其他主要推荐算法进行了比较。实验结果表明,本文提出的基于语义相似标签推荐算法在推荐精度上有一定的提高。

论文目录

• 摘要
• Abstract
• 第一章 引言
• 1.1 基于标签推荐系统研究背景及意义
• 1.2 标签推荐系统面临的问题和挑战
• 1.3 本文的研究思路
• 1.4 论文的结构安排
• 第二章 相关推荐技术
• 2.1 协同过滤推荐技术
• 2.2 传统标签推荐系统介绍
• 2.2.1 传统标签推荐系统框架
• 2.3.2 标签喜好推导
• 2.3.3 基于标签的推荐
• 2.3 本章小结
• 第三章 基于语义的标签推荐系统框架
• 3.1 标签推荐系统
• 3.2 基于语义的标签推荐系统框架
• 3.2.1 传统标签推荐系统的缺陷
• 3.2.2 基于语义的标签推荐系统框架
• 3.3 用户喜好模型
• 3.3.1 基于标签推荐系统用户喜好模型
• 3.3.2 用户喜好模型的建立
• 3.4 本章小结
• 第四章 基于 WordNet的语义相似度的标签推荐算法
• 4.1 CFBTSS算法相关概念及基础算法
• 4.1.1 基于路径的算法
• 4.1.2 基于信息内容 IC的算法
• 4.2 CFBTSS推荐算法
• W算法'>4.2.1 CFBTSS_W算法
• S算法'>4.2.2 CFBTSS_S算法
• 4.2.3 推荐的生成
• 4.3 本章小结
• 第五章 实验分析
• 5.1 基于 WordNet语义相似度分析
• 5.1.1 数据集
• 5.1.2 实验结果分析
• 5.1.3 性能对比
• 5.2 基于标签语义相似度的推荐算法实验
• 5.2.1 实验数据集
• 5.2.2 实验方法
• 5.2.3 实验结果
• 5.3 本章小结
• 第六章 结论与展望
• 6.1 本文工作总结
• 6.2 工作展望
• 附录
• 参考文献
• 后记 致谢