基于潜在标签挖掘和细粒度偏好的个性化标签推荐

为进一步提高个性化标签推荐性能,针对标签数据的稀疏性以及传统方法忽略隐藏在用户和项目上下文中潜在标签的缺陷,提出一种基于潜在标签挖掘和细粒度偏好的个性化标签推荐方法。首先,提出利用用户和项目的上下文信息从大量未观测标签中挖掘用户可能感兴趣的少量潜在标签,将标签重新划分为正类标签、潜在标签和负类标签三类,进而构建〈用户,项目〉对标签的细粒度偏好关系,在缓解标签稀疏性的同时,提高对标签偏好关系的表达能力;然后,基于贝叶斯个性化排序优化框架对细粒度偏好关系进行建模,并结合成对交互张量分解对偏好值进行预测,构建细粒度的个性化标签推荐模型并提出优化算法。对比实验表明,提出的方法在保证较快收敛速度的前提下,有效地提高了个性化标签的推荐准确性。

支持多信息源的Web服务标签挖掘系统

Web服务的标签可以有效的帮助服务分类和使用,使其得到了广泛的重视。但是现存的对服务标签挖掘的方法主要基于WSDL文档,而WSDL文档自身的局限性影响了基于此的标签挖掘方法的效率。为解决此问题,本文实现了一个利用互联网与服务相关网页作为扩展信息源来进行服务标签挖掘的系统。本系统通过搜索引擎收集相关网页,并利用向量空间模型来进行网页的结构与内容的分析,将最终得到的标签显示在网站上。通过显示证明我们的系统可以得到更加丰富和具有实际意义的标签。

基于社会化标签挖掘的微博内容推荐方法研究

【目的/意义】针对当前微博内容推荐方法存在的用户标签偏少、标签语义缺乏和用户-标签矩阵高维稀疏等导致的推荐准确性不高的问题,提出了一种基于社会化标签挖掘的微博内容个性化推荐方法。【方法/过程】首先,针对用户标签偏少的问题,借助微博内容进行用户标签扩充,形成初始的用户-标签矩阵表征用户兴趣偏好;然后,针对标签语义缺乏问题,通过标签语义映射和语义相关性挖掘,构建标签语义相似度矩阵进行用户-标签矩阵更新,使更新后的用户-标签矩阵融入标签间的语义相关性,既能解决用户-标签矩阵高维稀疏问题,又能更好地表征用户兴趣。【结果/结论】实验结果表明,该方法优于传统的基于社会化标签的推荐方法,能够有效提高微博内容推荐的精准性。【创新/局限】后续将重点研究用户间社交关系对个性化推荐的影响,探索融合用户社交关系的微博内容个性化推荐方法,实现更加精准的推荐。

用于标准推荐的标签挖掘方法研究

标准是工业制造领域专业人员在进行产品的设计、生产制造、维修保障阶段所需要用到的重要数据。标准推荐是帮助标准使用人员迅速找到研制设计所需标准的重要方式。本文所涉及到的标签挖掘方法研究,旨在通过关键词抽取聚类与人工校正相结合的方式实现标准标签的多维度挖掘,为每一项标准提供多维度的标签,用以刻画标准画像,同时通过标签聚类为用户提供可选的标签库,支持用户进行自身画像定义,使得在未知标准号、标准名称等详细信息的情况下,系统能够精准响应用户意图,以标签匹配的方式解决首次或少次登录用户的冷启动式标准推荐问题。

非负矩阵分解在标签语义分析中的应用

随着Web2.0技术的发展,社会标注系统日渐流行起来,使得标签在用户收藏的检索和分类管理等方面得到了广泛的应用。然而,由于用户使用标签的自由、非控制性,导致标签在使用上存在冗余和语义模糊性。为了处理该问题,提出一种基于非负矩阵分解(Non-negative Matrix Factorization,NMF)的标签语义挖掘算法,通过对用户的标注数据进行非负矩阵分解,得到一个包含一系列语义相关标签基的标签子空间,使得同义及相关的标签聚合于同一标签基,且一词多义的标签归类到语义不同的标签基,从而实现标签语义的近义归类和多义辨析。通过大量实验充分展示了提出的算法在标签语义挖掘方面的有效性。

机器视觉智能导盲系统2维图像中物体的标注与辨识

在机器视觉智能导盲系统中,对2维图像中物体标注与识别极为关键,这一步决定整个系统对障碍物判别的正确性和智能导盲的准确性、实用性。为了得到较好的识别,先进行阈值分割,再对图像进行Gabor小波变换,考虑速度精度、适应性再选择多尺度和多方向的滤波器组成的小波滤波器,进行特征提取。识别需要建好的目标模型库由Gabor网络组成,识别出目标之后,为了不受训练时间和训练样本的约束,采用数据驱动的的图像标注方法。