试议图谱在线论坛用户兴趣图谱发现和个性化信息推荐

摘要：在线论坛是Web2.0的一种典型运用,它吸引着数以亿计的用户生成各种内容。面对在线论坛如此大的信息库,用户很容易湮没在这些信息中,如何帮助论坛用户得到他们需要的信息是亟待解决的不足之一。然而传统的信息检索由于实时性不够、缺少满足在线论坛数据特点的排序方式以及无法处理不能用关键词精确表述的查询任务等理由,不能满足在线论坛中用户获取信息的需求。由此,主动推荐是帮助用户获取论坛信息的一个主要方式。本论文主要探讨面向在线论坛的个性化信息推荐不足,鉴于在线论坛的特点,其个性化信息推荐系统和传统的个性化推荐系统相比主要有如下两个挑战：·论坛内容以短文本为主,这给提取用户兴趣图谱带来障碍,需整合社交网络和用户生成内容上下文才能有效获得用户偏好。同时,在线论坛缺少用户对推荐对象的明确打分,难以评估用户之间的相似性以及用户与推荐对象之间的相关性,这也给用户的兴趣图谱发现带来了挑战。·推荐对象种类多。既有以热点话题或者新闻事件为代表的时效性很强的推荐对象,又有以领域专家为代表的生命周期相对较长,比较稳定的推荐对象。有别于传统个性化推荐系统中的目标用户驱动方式,在线论坛中的推荐方式是推荐对象驱动的触发式推荐。这为寻找简单有效的用户兴趣图谱和推荐对象之间的快速匹配带来了挑战。针对在线论坛个性化推荐的以上两个挑战,对用户兴趣图谱发现、用户兴趣图谱与推荐对象匹配、以及推荐对象发现三个方面的内容进行了深入探讨,提出了个在线论坛个性化推荐框架,这个框架较好地解决了在线论坛中实时性推荐的不足。本论文的主要贡献有如下的三个方面：1.在详细浅析了在线论坛数据特点以及现有用户兴趣图谱发现技术的基础上,提出了分别为活跃用户、非活跃潜水用户发现兴趣图谱的两种不同的图模型,并在各自的图模型上利用带重启的随机行走算法有效地捕获到了用户的兴趣图谱。为在线论坛用户发现兴趣图谱的最大挑战在于论坛上社交网络和用户生成内容混杂在一起,而这两种异构信息又会相互影响和加强。本论文为活跃用户提出的三分图模型,以及为非活跃潜水用户提出的关注社交上下文图模型都能够同时融合动态社交网络和用户生成内容于一体。其后,在图模型上利用的带重启的随机行走算法在捕获用户兴趣图谱的历程中,也能同时兼顾动态社交网络和用户生成内容之间的直接和多步间接的相互影响与加强。2.在详尽浅析已有推荐算法的基础上,提出了一种用来解决推荐对象和用户兴趣图谱快速匹配不足的新型逆向排序查询—top-k逆向排序查询,并在此基础上给出了对top-k逆向排序查询的快速响应框架。结合已有的序敏感查询,本论文将推荐对象和用户兴趣图谱快速匹配不足转化为一个逆向序敏感查询不足,并提出了一种新的逆向排序查询,top-k逆向排序查询。提出了一个快速响应top-k逆向排序查询的框架,该框架利用top-k查询的几何属性和R*-树中最小外接矩形(MBR)包含的数据点的特点,能够快速确定一个查询点排序值的上下界,以达到对不符合要求的用户兴趣图谱权重向量快速剪枝的效果。论述浅析和实验结果都表明,这个框架对于推荐对象和用户兴趣图谱快速匹配行之有效。3.提出了发现在线论坛上最主要推荐对象一领域专家的解决案例。用户是所有社交媒体内容的生产者和传播者,找到信息的最快捷的方式往往是找到产生高质量知识的源头,领域专家。由此,领域专家是在线论坛中的主要推荐对象。关于领域专家发现,本论文主要解决了两个不足：一个是给定专家,找到他所擅长的领域；另外一个是给定领域,找到擅长该领域的专家。本论文为了回答这两个不足,为在线论坛建立了同时捕获了动态社交网络信息和用户生成内容上下文信息的三分图,并随后根据该图中包含的星型部件的特点,将该三分图分解为一个星型方式图。这种分解有效降低了带重启的随机行走算法所利用迁移矩阵的规模,提升了算法的收敛速度。综上所述,本论文重点探讨了在线论坛用户兴趣图谱发现、用户兴趣图谱和推荐对象快速匹配、以及推荐对象之领域专家发现三个不足。在此基础之上,提出了一个完整的在线论坛个性化信息推荐系统的基本框架。本论文所完成的工作是建立在对已有论述、技术和策略的详尽浅析和大量实验的基础上。论述浅析和实验结果都表明,本论文提出的针对在线论坛的用户兴趣图谱发现策略、个性化推荐算法、以及个性化推荐框架具有好的性能和效果。关键词：在线论坛论文个性化推荐论文用户生成内容论文用户协同兴趣图谱论文用户内容兴趣图谱论文逆向排序查询论文领域专家论文

摘要6-8

ABSTRACT8-17

第一章 引言17-27

1.1 在线论坛个性化信息推荐面对的挑战18-21

1.1.1 在线论坛数据特点19

1.1.2 和传统个性化推荐系统的不同19-20

1.1.3 和目前社交媒体上推荐的不同20-21

1.2 在线论坛个性化推荐系统框架21-23

1.2.1 推荐系统预备知识21

1.2.2 推荐框架21-23

1.2.3 推荐历程23

1.3 本论文的主要贡献23-24

1.4 本论文的章节安排24-27

第二章 在线论坛预备知识和相关工作27-39

2.1 在线论坛预备知识27-29

2.2 个性化推荐系统探讨进展29-34

2.2.1 基于内容的推荐29-31

2.2.2 协同过滤推荐31-32

2.2.3 混合策略推荐32-33

2.2.4 社交过滤推荐33-34

2.3 用户兴趣图谱发现探讨进展34-35

2.3.1 用户兴趣图谱利用范围34

2.3.2 用户兴趣图谱生成策略34-35

2.3.3 带重启的随机行走算法35

2.4 推荐对象和用户兴趣图谱匹配查询算法探讨进展35-37

2.5 本章小结37-39

第三章 活跃用户的兴趣图谱生成39-63

3.1 活跃用户发现及其特点39-47

3.1.1 活跃用户不足描述和定义39-40

3.1.2 在线论坛数据特点浅析40-46

3.1.3 活跃用户特点词生成46-47

3.2 活跃用户兴趣图谱的生成47-50

3.3 活跃用户兴趣图谱生成历程50-57

3.3.1 活跃用户兴趣图谱发现不足定义50-52

3.3.2 兴趣图谱的生成策略52-53

3.3.3 在图模型上的带重启的随机行走53

3.3.4 兴趣图谱的生成算法53-55

3.3.5 分图和三分图策略比较浅析55-57

3.4 活跃用户兴趣图谱发现实验57-62

3.4.1 数据集及其设置57-58

3.4.2 二分图和三分图两种策略的输出结果比较58-62

3.5 本章小结62-63

第四章 非活跃用户兴趣图谱的生成63-75

4.1 非活跃潜水用户兴趣图谱发现不足定义64-65

4.1.1 预备知识64-65

4.2 非活跃潜水用户兴趣图谱产生65-69

4.2.1 构建非活跃潜水用户q的社交上下文图模型66-67

4.2.2 基于社交上下文图G构建查询图G_q67

4.2.3 查询图G_p中的带重启的随机行走度量67-69

4.3 非活跃潜水用户兴趣图谱发现实验69-72

4.3.1 数据集及其设置69-71

4.3.2 基准策略及其比较71

4.3.3 实验结果浅析71-72

4.4 本章小结72-75

第五章 推荐对象和用户兴趣图谱的快速匹配75-103

5.1 推荐系统的序敏感查询75-77

5.1.1 以目标用户驱动的查询75-76

5.1.2 以推荐对象驱动的查询76-77

5.2 推荐对象驱动的top-k逆向排序查询77-102

5.2.1 top-κ逆向排序查询不足定义79-82

5.2.2 回答top-κ逆向排序查询82-89

5.2.3 框架的动态维护和更新89-91

5.2.4 多维情况处理91-93

5.2.5 top-κ逆向排序实验93-102

5.3 本章小结102-103

第六章 领域专家发现103-121

6.1 领域专家发现不足定义104-106

6.1.1 为内容建模的传统策略105

6.1.2 三分图模型105-106

6.2 三分图上带重启的随机行走算法106-107

6.3 三分图上基于星型的两阶段随机行走107-109

6.4 专家以及专家兴趣图谱的查询处理109-112

6.4.1 构建三分图G110

6.4.2 基于三分图G构建星型图G_s110

6.4.3 基于星型图G_s构建查询图G_q110

6.4.4 在图G_q上发现专家E_t或者专家兴趣图谱E_p110-112

6.5 领域专家发现实验112-118

6.5.1 数据集及其设置112-113

6.5.2 进行比较的策略113-114

6.5.3 评价基准114

6.5.4 实验结果浅析114-118

6.6 相关工作118-119

6.7 本章小结119-121

第七章 总结与展望121-125

7.1 总结121-122

7.2 未来工作的展望122-125

攻读博士学位期间发表论文125-127