隨著我國(guó)移動(dòng)互聯(lián)網(wǎng)發(fā)展日漸成熟和穩(wěn)定,各個(gè)社交平臺(tái)為了搶奪彼此之間的市場(chǎng)份額,更加注重內(nèi)容的多樣化,積極尋求模式上的創(chuàng)新和突破。雖然新浪微博在移動(dòng)社交行業(yè)中繼續(xù)占據(jù)頭部地位,但是行業(yè)內(nèi)的激烈競(jìng)爭(zhēng)也給新浪微博的發(fā)展帶來(lái)了巨大挑戰(zhàn)。新浪微博的核心競(jìng)爭(zhēng)力在于頭部用戶群體和優(yōu)質(zhì)的原創(chuàng)內(nèi)容帶來(lái)的傳播效應(yīng),這就要求平臺(tái)在當(dāng)前環(huán)境下對(duì)用戶需求的把控要更加精準(zhǔn)。圍繞該問(wèn)題,本文針對(duì)新浪微博用戶的興趣偏好進(jìn)行了相關(guān)研究。LDA（LatentDirichletAllocation）概率主題模型是由Blei等提出的三層概率結(jié)構(gòu)模型,它可以通過(guò)訓(xùn)練得到每篇文檔在主題空間上的概率分布和每個(gè)主題在詞空間上的概率分布,其本身具有無(wú)監(jiān)督學(xué)習(xí)的特征,不需要給出一些已知標(biāo)注的語(yǔ)言實(shí)例,可以直接對(duì)未知語(yǔ)料庫(kù)進(jìn)行LDA建模。在很多關(guān)于新浪微博用戶興趣偏好的研究中,都是按照這種方式直接對(duì)以用戶為單位建立的微博文檔集進(jìn)行建模和訓(xùn)練,得到文檔集的主題詞分布作為用戶興趣偏好的描述信息。本文在此基礎(chǔ)上補(bǔ)充了另外一種推斷方式,即利用已知語(yǔ)料庫(kù)有監(jiān)督的去訓(xùn)練得到一個(gè)最優(yōu)模型,再利用這個(gè)訓(xùn)練好的最優(yōu)模型,針對(duì)其他未知語(yǔ)料庫(kù)中以用戶為單位建立... 

【文章來(lái)源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：81 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１?ＰＬＳＡ模型文檔生成過(guò)程??－

山東大學(xué)碩士學(xué)位論文??第３章ＬＤＡ主題模型的構(gòu)建??３．１模型的推導(dǎo)和表示??３．１．１加入貝葉斯框架??ＰＬＳＡ模型是在頻率學(xué)派的思想下產(chǎn)生，認(rèn)為關(guān)于主題分布和詞分布的參數(shù)??和沉是固定的，但是在貝葉斯統(tǒng)計(jì)學(xué)派來(lái)看，這顯然是不合理的。既然假定詞??是通過(guò)拋骰子隨機(jī)產(chǎn)生的，那么骰子也應(yīng)該是隨機(jī)產(chǎn)生的，換句話來(lái)說(shuō)，代表兩??種骰子的參數(shù)和沉應(yīng)該是隨機(jī)變量，并且符合一定的分布。ＬＤＡ主題模型在??ＰＬＳＡ模型的基礎(chǔ)上加入了貝葉斯框架，選擇了狄利克雷分布作為參數(shù)和沉的??先驗(yàn)分布，這樣可以利用共軛分布的參數(shù)傳遞性來(lái)更好的估計(jì)參數(shù)。??丄?ｔｏｐｉｃ－ｗｏｒｄ?Ｉｆｉ１？?｜??Ｋ－ｒｓ?＾?ｖ個(gè)面??對(duì)Ｓ?■編號(hào)?１－Ｋ？Ｋｔ??｜?ｇ＇ＯｉｒＷ??１??圖３－１?ＬＤＡ模型文檔生成過(guò)程??如上圖３＿１所示，重新考察文檔的生成過(guò)程：（１）有兩種類型的骰子，每種??都是有無(wú)數(shù)多個(gè)。第一種是ｄｏｃ－ｔｏｐｉｃ?（文檔－主題）骰子，每個(gè)骰子有Ｋ個(gè)面，每??個(gè)面是一個(gè)非重復(fù)主題編號(hào)，編號(hào)從１到Ｋ；第二種是ｔｏｐｉｃ－ｗｏｒｄ?（主題－詞語(yǔ)）??骰子，每個(gè)骰子有Ｖ個(gè)面，每個(gè)面對(duì)應(yīng)著一個(gè)非重復(fù)單詞。（２）隨機(jī)的從第二種??散子里獨(dú)立的抽出Ｋ個(gè)ｔｏｐｉｃ－ｗｏｒｄ骰子，為其編號(hào)為１到Ｋ，與ｄｏｃ－ｔｏｐｉｃ散子每??個(gè)面的主題編號(hào)是一一對(duì)應(yīng)的。（３）每次生成一篇新的文檔之前，先從第一種骰??子里抽出一個(gè)ｄｏｃ－ｔｏｐｉｃ骰子，然后重復(fù)如下過(guò)程直到生成文檔中所有詞：投擲??這個(gè)骰子，得到一個(gè)主題編號(hào)ｋ，選擇Ｋ個(gè)ｔｏｐｉｃ－ｗｏｒｄ骰子中對(duì)應(yīng)編號(hào)為ｋ的那個(gè)，??投擲這個(gè)骰子產(chǎn)生一個(gè)詞。??２１??

第３章ＬＤＡ主題模型的構(gòu)建??３．１．２增加參數(shù)??ｗｍ?￣?＊＾ｍｌ?＾７０２?？？？?ＷｍＮｍ??圖３－２文檔生成過(guò)程中ｗｏｒｄ和ｔｏｐｉｃ對(duì)應(yīng)關(guān)系??如上圖３－２所示，在ＬＤＡ模型中，因?yàn)樯擅總�(gè)詞的ｔｏｐｉｃ－ｗｏｒｄ骰子的編號(hào)??依賴于拋擲ｄｏｃ－ｔｏｐｉｃ骰子得到的主題編號(hào)，那么意味著語(yǔ)料庫(kù)中的每個(gè)詞都與??一個(gè)主題編號(hào)唯一對(duì)應(yīng)。己知語(yǔ)料庫(kù)為Ｗ?＝?％，），第ｍ篇文檔＜?＝??（ｗｍｌ，ｗｍ２，．．．，ｗｍＮｍ），根據(jù)主題和詞的對(duì)應(yīng)關(guān)系，等價(jià)定義語(yǔ)料庫(kù)所有主題編號(hào)集??合Ｚ?＝瓦，石，…，切，第ｍ篇文檔所有主題編號(hào)集合Ｇ?＝?（Ｚ＾Ｚｍ，ｚｍＮ?Ｊ。??３．１．３物理過(guò)程分解??？——＊？??（ＺｍＢ）??？－－Ｋ§）???ｎｅｌｌ，ＨＵ??丨??圖３－３?ＬＤＡ概率圖模型??如上圖３－３所示，在ＬＤＡ概率圖模型中，只有ｗｍｎ為可觀察到的變量，其他??都是隱變量或者參數(shù)。ｉ?ｇ為先驗(yàn)分布狄利克雷分布的參數(shù)，巧為第ｍ篇文檔的??主題分布，沉為第ｋ個(gè)主題的詞分布，Ｚｎｍ為第ｍ篇文檔第ｎ個(gè)詞對(duì)應(yīng)的主題編號(hào)。??那么ＬＤＡ模型生成文檔的過(guò)程被分為了兩個(gè)物理過(guò)程：??第一個(gè)物理過(guò)程５?—巧；—Ｚｍｎ是生成主題編號(hào)的過(guò)程，這個(gè)過(guò)程表示在生成??第ｍ篇文檔的時(shí)候，先從第一種骰子中抽出一個(gè)ｄｏｃ－ｔｏｐｉｃ骰子１＾，或者說(shuō)從參數(shù)??為５的狄利克雷分布中取樣生成第ｍ篇文檔的主題分布巧：，然后投擲這個(gè)骰子生??成了文檔中第ｎ個(gè)詞對(duì)應(yīng)的主題編號(hào)ｚｍｎ。??第二個(gè)物理過(guò)程＠?—雨—Ｗｍｎ｜ｋ?＝?ｚｍｎ是在確定的主題編號(hào)下生成詞的過(guò)程，??這個(gè)過(guò)程表示從第二種骰子中抽出Ｋ個(gè)ｄｏｃ－ｔｏｐｉｃ骰子，或者說(shuō)從參數(shù)

【參考文獻(xiàn)】：
期刊論文
[1]自然語(yǔ)言處理中主題模型的發(fā)展[J]. 徐戈,王厚峰.  計(jì)算機(jī)學(xué)報(bào). 2011(08)
[2]國(guó)內(nèi)中文自動(dòng)分詞技術(shù)研究綜述[J]. 奉國(guó)和,鄭偉.  圖書(shū)情報(bào)工作. 2011(02)

碩士論文
[1]基于主題詞的微博用戶興趣模型研究[D]. 萬(wàn)子瑋.首都經(jīng)濟(jì)貿(mào)易大學(xué) 2018
[2]基于爬蟲(chóng)和LDA的新聞話題挖掘[D]. 曹牧原.河北大學(xué) 2018
[3]基于Labeled-LDA模型的在線醫(yī)療專家推薦研究[D]. 倪秀麗.浙江大學(xué) 2018
[4]基于改進(jìn)LDA算法的微博用戶興趣偏好分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 樓小帆.北京郵電大學(xué) 2017
[5]基于微博的用戶興趣分析與個(gè)性化信息推薦[D]. 王廣新.上海交通大學(xué) 2013



本文編號(hào)：3561904