內(nèi)容無(wú)關(guān)的信息檢索模型.ppt

《內(nèi)容無(wú)關(guān)的信息檢索模型.ppt》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫(kù)。

1、內(nèi)容無(wú)關(guān)的信息檢索模型杜小勇2008-03-13基于文本內(nèi)容的檢索模型布爾模型向量空間模型概率模型統(tǒng)計(jì)語(yǔ)言模型語(yǔ)義網(wǎng)絡(luò)模型與內(nèi)容無(wú)關(guān)的其他檢索模型基于協(xié)同的模型基于鏈接分析的模型基于關(guān)聯(lián)的模型通常與基于內(nèi)容的模型一起使用CollaborativeRecommendationrajdenotesthescoreofitemjratedbyanactiveusera.Ifuserahadnotrateditemj,raj=0.m-totalnumberofusers,n-totalnumberofitems.協(xié)同推薦模型Foragiv

2、enuser-aanddocument-j,Predicatepaj=?isthenumberofuserswhoaresimilartouseraandhaverateditemj.w(a,i):Theweightofthesimilaritybetweenuseraanduseri.kisanormalizingfactorsuchthattheabsolutevaluesoftheweightssumtounity.算法主要的問(wèn)題冷啟動(dòng)(coldstar)稀疏性(sparse)高維性(highdimension)基于分類的協(xié)

3、同過(guò)濾推薦基本思想：（1）對(duì)矩陣進(jìn)行劃分劃分依據(jù)資源的語(yǔ)義分類（2）根據(jù)劃分后的子矩陣進(jìn)行協(xié)同過(guò)濾（3）生成預(yù)測(cè)結(jié)果基于分類的協(xié)同過(guò)濾推薦基本思想：（1）把每一項(xiàng)資源歸到一個(gè)或幾個(gè)類別中；（2）用戶對(duì)資源評(píng)價(jià)矩陣進(jìn)行分解，（3）對(duì)進(jìn)行裁減，去掉對(duì)該類資源沒(méi)有打分的用戶基于分類的協(xié)同過(guò)濾算法(續(xù))（4）根據(jù)計(jì)算用戶在某一類別中的相似度，即得到一個(gè)用戶的最鄰近鄰居們。（5）計(jì)算用戶對(duì)特定類別中的資源感興趣度（6）綜合用戶在多個(gè)類別中的感興趣程度，得到最終推薦結(jié)果?；诰垲惖膮f(xié)同過(guò)濾算法基本思想：（1）對(duì)矩陣進(jìn)行劃分劃分根據(jù)稀疏矩陣聚類

4、、KMeans等聚類算法（2）根據(jù)劃分后的子矩陣進(jìn)行協(xié)同過(guò)濾（3）生成預(yù)測(cè)結(jié)果基于矩陣聚類的協(xié)同過(guò)濾基于矩陣聚類的協(xié)同過(guò)濾基本思想：（1）把每一項(xiàng)資源歸到一個(gè)或多個(gè)子矩陣中，每個(gè)用戶被劃分到一個(gè)或多個(gè)子矩陣中；基于聚類的協(xié)同過(guò)濾算法(續(xù))（2）根據(jù)計(jì)算用戶在某一類別中的相似度，即得到一個(gè)用戶的最鄰近鄰居們。（3）計(jì)算用戶對(duì)特定類別中的資源感興趣度（4）綜合用戶在多個(gè)類別中的感興趣程度，得到最終推薦結(jié)果。與內(nèi)容無(wú)關(guān)的其他檢索模型基于協(xié)同的模型基于鏈接分析的模型基于關(guān)聯(lián)的模型通常與基于內(nèi)容的模型一起使用鏈接分析模型對(duì)于超文本（例如WW

5、W上的網(wǎng)頁(yè)），超鏈結(jié)構(gòu)是個(gè)非常豐富和重要的資源，如果能夠充分利用的話，可以極大地提高檢索結(jié)果的質(zhì)量。SergeyBrin和LarryPage在1998年提出了PageRank算法J.Kleinberg于1998年提出了HITS算法其它一些學(xué)者也相繼提出了另外的鏈接分析算法，如SALSA，PHITS，Bayesian等算法。PageRanking算法BrinS,PageLTheanatomyofalarge-scalehypertextualwebsearchengine.WWW’98基本思想：以下三條啟發(fā)式規(guī)則：如果一個(gè)頁(yè)面被多次

6、引用，那么這個(gè)頁(yè)面很可能是重要的。如果一個(gè)頁(yè)面被重要的頁(yè)面引用，那么這個(gè)頁(yè)面很可能是重要的。一個(gè)頁(yè)面的重要性被均分并傳遞到它所引用的頁(yè)面。PageRankingCitationgraph(linkgraph)ofthewebAwebpage’s“PageRank”:PR(A)=(1-d)+d(PR(T1)/C(T1)+…+PR(Tn)/C(Tn))PageAhaspagesT1,…,Tnwhichpointtoit(i.e.arecitations)0

7、beroflinksgoingoutofAHITS算法J.Kleinberg.Authoritativesourcesinahyperlinkedenvironment.InProc.NinthAnn.ACM-SIAMSymp.DiscreteAlgorithms,pages668-677,ACMPress,NewYork,1998Hub頁(yè)面：指向權(quán)威頁(yè)面的頁(yè)面，例如目錄頁(yè)面等。Authority頁(yè)面：被很多頁(yè)面指向的頁(yè)面HITS算法Step1:構(gòu)造子圖S查詢結(jié)果頁(yè)面R（前n個(gè)）R中每一個(gè)頁(yè)面所指向的頁(yè)面指向R中頁(yè)面的頁(yè)面（可

8、能要限制數(shù)量）Step2:迭代計(jì)算頁(yè)面的h值和a值每一個(gè)頁(yè)面的h(p)=1,a(p)=1定義兩個(gè)操作：I:a(p)=∑(q,p)∈Eh(q)O:h(p)=∑(p,q)∈Ea(q)HITS算法（續(xù)）Step3：重復(fù)Step2k次（可以證明上述迭代可以