發(fā)布時間：2021-01-18 00:39

　　在互聯(lián)網(wǎng)高速發(fā)展的今天,海量的信息通過互聯(lián)網(wǎng)進行發(fā)布、傳播,政治、經(jīng)濟、娛樂、教育、文化、學(xué)術(shù)論文等各行各業(yè)的信息,以文字、圖像、聲音、視頻、結(jié)構(gòu)化文檔等多種形式進行發(fā)布,同時也在系統(tǒng)中進行數(shù)字化存儲。信息量的不斷增加提升了信息檢索的難度,也對信息的有序管理提出更高的挑戰(zhàn)。這就需要更加有效的方法和工具以高效地、自動地完成海量信息的組織、理解、檢索,提高信息的利用效率和精準(zhǔn)度,減少信息利用難度。多標(biāo)簽分類是對文本、圖片、視頻、結(jié)構(gòu)化文檔等信息資源進行組織和利用的有效方法�；诙鄻�(biāo)簽的自動分類技術(shù)能夠提高信息的處理效率,節(jié)約人工處理成本,改善用戶使用體驗,近年來已得到了廣泛的關(guān)注,已成為信息檢索與數(shù)據(jù)挖掘研究領(lǐng)域的熱點方向。以LDA為代表的主題模型方法是對文本信息進行自動組織和歸納的有效方法,能夠揭示文檔的潛在語義,能夠分析海量信息中蘊藏的主題,是重要的文本自動化處理技術(shù),已在多標(biāo)簽文本分類、推薦系統(tǒng)等多個領(lǐng)域中得到廣泛的應(yīng)用。本文主要研究基于主題模型的有監(jiān)督多標(biāo)簽文本分類方法和結(jié)合主題模型的個性化推薦方法。1、經(jīng)典的多標(biāo)簽文本分類L-LDA和Dependency-LDA模型,忽略了詞項的... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：98 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 主題模型研究現(xiàn)狀
        1.2.2 多標(biāo)簽文本分類研究現(xiàn)狀
        1.2.3 社會化標(biāo)簽推薦研究現(xiàn)狀
    1.3 本文研究重點和工作內(nèi)容
第2章 相關(guān)背景知識
    2.1 詞語表示模型
        2.1.1 One-Hot
        2.1.2 基于頻率的詞嵌入
        2.1.3 分布式詞向量
    2.2 主題模型
        2.2.1 LSI模型
        2.2.2 PLSI模型
        2.2.3 LDA模型
    2.3 多標(biāo)簽文本分類
    2.4 主題模型學(xué)習(xí)算法
        2.4.1 變分推斷和參數(shù)估計
        2.4.2 Gibbs采樣和參數(shù)估計
    2.5 多標(biāo)簽文本分類的有監(jiān)督主題模型
        2.5.1 L-LDA
        2.5.2 Dependency-LDA
    2.6 推薦系統(tǒng)
        2.6.1 推薦系統(tǒng)的構(gòu)成
        2.6.2 基于協(xié)同過濾的推薦方法
        2.6.3 基于內(nèi)容的推薦方法
        2.6.4 混合推薦方法
    2.7 小結(jié)
第3章 基于主題模型的多標(biāo)簽文本分類
    3.1 概述
    3.2 詞項權(quán)重設(shè)置
    3.3 WL-LDA模型
        3.3.1 模型訓(xùn)練
        3.3.2 模型測試
    3.4 WD-LDA模型
        3.4.1 模型訓(xùn)練
        3.4.2 模型測試
    3.5 實驗
        3.5.1 實驗設(shè)置
        3.5.2 與基線算法比較
        3.5.3 參數(shù)實驗
    3.6 本章小結(jié)
第4章 結(jié)合主題模型的個性化標(biāo)簽推薦方法
    4.1 概述
    4.2 SIM-LDA-TAG模型
        4.2.1 問題定義
        4.2.2 推薦模型
    4.3 LDA過程
    4.4 實驗
        4.4.1 數(shù)據(jù)集
        4.4.2 基線算法
        4.4.3 評估度量
        4.4.4 結(jié)果評價
    4.5 本章小結(jié)
第5章 結(jié)合主題模型的個性化資源推薦方法
    5.1 概述
    5.2 SIM-LDA模型
        5.2.1 問題定義
        5.2.2 推薦模型
    5.3 LDA過程
    5.4 實驗
        5.4.1 數(shù)據(jù)集
        5.4.2 基線算法
        5.4.3 評估度量
        5.4.4 結(jié)果評價
    5.5 本章小結(jié)
第6章 結(jié)論與展望
    6.1 本文總結(jié)
    6.2 工作展望
參考文獻
作者簡介及在學(xué)期間所取得的科研成果
致謝



本文編號：2983913