隨著移動(dòng)互聯(lián)網(wǎng)的發(fā)展,在線健康社區(qū)逐漸成為了醫(yī)務(wù)人員信息交流的重要平臺(tái)。與此同時(shí),健康信息資源成指數(shù)級(jí)別增長(zhǎng),信息過載現(xiàn)象嚴(yán)重,在此背景下,推薦系統(tǒng)應(yīng)運(yùn)而生。然而,目前應(yīng)用于在線健康社區(qū)推薦系統(tǒng)的用戶興趣模型大多集中于對(duì)健康信息內(nèi)容的深度挖掘,缺乏對(duì)用戶社交關(guān)系特征和屬性特征的考慮,這容易產(chǎn)生由于未全面刻畫用戶興趣模型導(dǎo)致推薦系統(tǒng)推薦結(jié)果準(zhǔn)確率較低的現(xiàn)象。針對(duì)在線健康社區(qū)信息服務(wù)和用戶信息需求失衡的問題,本文從用戶社交關(guān)系特征、屬性特征和發(fā)帖主題特征等多維角度全面刻畫用戶興趣模型,提出了以用戶畫像為基礎(chǔ)的個(gè)性化解決方案,以期提升在線健康社區(qū)對(duì)用戶推薦信息的精準(zhǔn)率。本文圍繞從多維特征角度構(gòu)建用戶興趣模型這一目標(biāo),將該研究分為四個(gè)子問題,即核心用戶識(shí)別、用戶興趣模型構(gòu)建、融合多維特征的用戶興趣模型構(gòu)建、以及模型性能的評(píng)估和驗(yàn)證。(1)在根據(jù)用戶社交關(guān)系識(shí)別核心用戶時(shí),首先,基于社交網(wǎng)絡(luò)分析法利用在線健康社區(qū)用戶間的關(guān)注關(guān)系網(wǎng)絡(luò)和問答關(guān)系網(wǎng)絡(luò)構(gòu)建反映用戶間社交關(guān)系的雙層網(wǎng)絡(luò)結(jié)構(gòu),即知識(shí)網(wǎng)絡(luò);然后,基于熵權(quán)法利用用戶的統(tǒng)計(jì)數(shù)據(jù)計(jì)算社交關(guān)系中每位用戶的影響力,即節(jié)點(diǎn)強(qiáng)度;最后,基于Page Ra...

【文章頁數(shù)】：60 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1-1論文結(jié)構(gòu)圖

本文結(jié)構(gòu)如圖1-1所示,與研究框架相應(yīng),按照研究開展的次序包括緒論、相關(guān)概念與方法研究、基于多維特征的用戶興趣模型構(gòu)建、實(shí)證研究和結(jié)論五個(gè)章節(jié)。第一章,緒論。首先介紹了本文的研究背景與意義;然后從在線健康社區(qū)用戶畫像和用戶興趣模型構(gòu)建兩個(gè)方面闡述國內(nèi)外研究現(xiàn)狀并進(jìn)行總結(jié);最后闡述....

圖2-1四種網(wǎng)絡(luò)類型示意圖

網(wǎng)絡(luò)類型:在無向網(wǎng)絡(luò)中節(jié)點(diǎn)對(duì)(v,v)和(v,v)對(duì)應(yīng)同一條邊,在有向網(wǎng)絡(luò)圖中,(v,v)表示為節(jié)點(diǎn)v連接到節(jié)點(diǎn)v的邊,而v,v節(jié)點(diǎn)v到節(jié)點(diǎn)v的邊,該類有向邊可稱為弧。若網(wǎng)絡(luò)中的邊帶有權(quán)重,則該網(wǎng)絡(luò)為加權(quán)網(wǎng)絡(luò),否則該網(wǎng)絡(luò)為無權(quán)網(wǎng)絡(luò)[41]。由此,四種網(wǎng)絡(luò)類型的示意圖如圖2-1所示....

圖3-1LDA主題模型圖

LDA主題模型是一個(gè)基于“文檔-主題-詞”的三級(jí)分層貝葉斯模型[46],通過貝葉斯模型分析詞的主題概率,由于主題和詞頻相關(guān)聯(lián),需要計(jì)算文本詞語的頻率,將每段文本表示為主題的混合分布,將主題分布表示為詞頻的分布。LDA主題模型主要是針對(duì)離散型數(shù)據(jù)進(jìn)行建模分析,屬于非監(jiān)督機(jī)器學(xué)習(xí)的范....

圖3-2LSTM流程圖

由于RNN串聯(lián)的網(wǎng)絡(luò)結(jié)構(gòu),其經(jīng)常被用于處理序列數(shù)據(jù),一個(gè)序列當(dāng)前的輸出神經(jīng)元與前面神經(jīng)元的輸出有關(guān),從而保持?jǐn)?shù)據(jù)序列中的依賴關(guān)系[52]。但是由于RNN的迭代性容易產(chǎn)生梯度消失和梯度爆炸的現(xiàn)象,僅僅可以用于處理短期依賴關(guān)系,這使得早期RNN并未被廣泛應(yīng)用[53]。LSTM是RNN....

本文編號(hào)：3951535