臺灣人文及社會科學引文索引資料庫系統

:::

詳目顯示

回上一頁
第 1 筆 / 總合 1 筆   第一頁 上一頁 下一頁 最後一頁
/1頁
題名：微博用戶信息個性化推薦主題模型LDA演化分析研究
書刊名：情報科學
作者：崔金棟／杜文強／關楊／羅文達
出版日期：2017
卷期：2017(8)
頁次：3-10
主題關鍵詞：模型融合；本體；大數據；LDA；Model fusion；Ontology；Big data
原始連結：連回原系統網址new window
相關次數：
  • 被引用次數被引用次數:期刊(0) 博士論文(0) 專書(0) 專書論文(0)
  • 排除自我引用排除自我引用:0
  • 共同引用共同引用:0
  • 點閱點閱:0
【目的/意義】隨著LDA模型成為微博信息推薦的主要工具,眾多的LDA演化模型的使用問題成為研究者亟待解決地問題。【方法/過程】首先,從演化發展角度對LDA模型運行機理進行了解析,揭示了模型使用的先決條件和算法內涵;其次,從不同需求的視角揭示了RB-LDA、RT-LDA、C-LDA、MB-LDA等擴展模型對LDA模型的功能性補充;最后,提出LDA模型的技術演化方向。【結果/結論】結果表明可利用微型本體來提升語義性、利用多種模型融合來提升精度、利用大數據來提升數據質量是LDA模型未來的演化方向,可使LDA模型信息推薦能力的更具個性化和精準化。
【Purpose/significance】With the LDA model becoming the main tool of micro-blog information recommendation,the use of the LDA evolution model has become a problem to be solved urgently.【Method/process】Firstly,the paper analyzes the operation mechanism of the LDA model from the evolution angle, reveals the prerequisite conditions and algorithmconnotation of the model using; Secondly, from the perspective of different needs, it reveals the functional supplement ofRB-LDA, RT-LDA, C-LDA, MB-LDA and other extended models for LDA model; Finally, puts forward technology evolution direction of the LDA model.【Results/conclusion】The results show that it will be the future direction of the LDA modelby using micro ontology to enhance the semantics, taking advantage of multiple model fusion to improve accuracy, and utilizing big data to improve data quality. Moreover, it can make the LDA model ability of information recommendation become more personalized and precision.
期刊論文
1.Blei, David M.(2012)。Probabilistic topic models。Communications of the ACM，55(4)，77-84。  new window
2.Xu, R.、Wunsch, D.(2005)。Survey of clustering algorithms。IEEE Transactions on Neural Networks，16(3)，645-678。  new window
3.張晨逸、孫建伶、丁軼群(2011)。基於MB-LDA模型的微博主題挖掘。計算機研究與發展，48(10)，1795-1802。  延伸查詢new window
4.唐曉波、房小可(2013)。基於文本聚類與LDA相融合的微博主題檢索模型研究。情報理論與實踐，2013(8)，85-90。  延伸查詢new window
5.崔金棟、于圓美、王新媛、孫遙遙(2015)。信息管理技術視角下微博研究綜述與趨勢分析。圖書館論壇，2015(4)，92-99。  延伸查詢new window
6.MA, W.、DENG, Y.(2013)。New feature weight calculation method for short text。Journal of Computer Applications，33(8)，2280-2282。  new window
7.徐晨凱、高茂庭(2014)。使用LSA降維的改進ART2神經網絡文本聚類。計算機工程與應用，2014(24)，133-138+177。  延伸查詢new window
8.米文麗、孫曰昕(2014)。利用概率主題模型的微博熱點話題發現方法。計算機系統應用，2014(8)，163-167。  延伸查詢new window
9.邸亮、杜永萍(2014)。LDA模型在微博用戶推薦中的應用。計算機工程，2014(5)，1-6+11。  延伸查詢new window
10.高明、金澈清、錢衛寧、王曉玲、周傲英(2014)。面向微博系統的實時個性化推薦。計算機學報，2014(4)，963-975。  延伸查詢new window
11.余勇、郭躬德(2015)。基於RBLDA模型和交互關係的微博標簽推薦算法。計算機系統應用，2015(8)，141-148。  延伸查詢new window
12.徐彬、楊丹、張昱、李封、高克寧(2014)。面向微博用戶標簽推薦的關係約束主題模型。計算機科學與探索，2014(3)，288-295。  延伸查詢new window
13.陶永才、何宗真、石磊、衛琳、曹仰杰(2014)。基於加權動態興趣度的微博個性化推薦。計算機應用，2014(12)，3491-3496。  延伸查詢new window
14.張磊、吾守爾·斯拉木、買買提依明·哈斯木、于清(2016)。大數據下微博推薦算法。激光雜誌，2016(6)，1-6。  延伸查詢new window
15.唐曉波、祝黎、謝力(2014)。基於主題的微博二級好友推薦模型研究。圖書情報工作，2014(9)，105-113。  延伸查詢new window
16.唐曉波、房小可(2015)。基於隱含狄利克雷分配的微博推薦模型研究。情報科學，2015(2)，3-8。  延伸查詢new window
17.崔金棟、徐寶祥、王新媛(2013)。基於微本體構建的微博信息管理機理研究。情報資料工作，2013(5)，50-54。  延伸查詢new window
18.崔金棟、孫遙遙、王欣、于圓美、王新媛(2015)。基於Folksonmy和本體融合的微博信息推薦方法研究。情報科學，2015(10)，27-31。  延伸查詢new window
19.馬彥(2014)。大數據環境下微博輿情熱點話題挖掘方法研究。現代情報，2014(11)，29-33。  延伸查詢new window
20.蘭月新、董希琳、蘇國強、瞿志凱(2015)。大數據背景下微博輿情信息交互模型研究。現代圖書情報技術，2015(5)，24-33。  延伸查詢new window
會議論文
1.Hong, Liangjie、Davison, B. D.(2010)。Empirical study of topic modeling in twitter。The First Workshop on Social Media Analytics。New York：ACM Press。80-88。  new window
2.Zhao, Wayne Xin、Jiang, Jing、Weng, Jianshu(2011)。Comparing Twitter and Traditional Media Using Topic Models。The 33rd European Conference on Information Retrieval。Berlin, Heidelberg：Springer-Verlag。338-349。  new window
3.Deerwester, S.、Dumais, S.、Landauer, T.(2006)。Latent Semantic Analysis for Multiple-type Interrelated Data Objects。The 29th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval。New York：ACM Press。236-243。  new window
4.Kim, Y. M.(2008)。An Extension of PLSA for Document Clustering。The 17th ACM Conference on Information and Knowledge Management。New York：ACM Press。1345-1346。  new window
5.Tang, Xuning、Yang, C. C.(2012)。TUT: A Statistical Model for Detecting Trends, Topics and User Interests。The 21st ACM International Conference on Information and Knowledge Management。New York：ACM Press。972-981。  new window
6.Kang, J. H.、Lerman, K.、Plangprasopchok, A.(2010)。Analyzing Microblogs with affinity propagation。The 1st KDD Workshop on Social Media Analytic。New York：ACM。67-70。  new window
7.Ramage, D.、Dumais, S.、Liebling, D.(2010)。Characterizing microblogs with topic models。The 4th International AAAI Conference on Weblogs and Social Media。Washington。10-17。  new window
圖書論文
1.Griffiths, T.、Steyvers, M.(2006)。Probabilistic topic models。Latent Semantic Analysis: A Road to Meaning。Hillsdale, NJ：Laurence Erlbaum。  new window
2.ZHAO, W. X.、Jiang, Jing、Weng, Jianshu、He, Jing、Lim, Ee-Peng、Yan, Hongfei、Li, Xiaoming(2011)。Comparing Twitter and Traditional Media Using Topic Models。ECIR。  new window
3.Steyvers, M.、Griffiths, T.(2007)。Probabilistic topic models.。Handbook of Latent Semantic Analysis。  new window
 
 
 
 
第一頁 上一頁 下一頁 最後一頁 top
:::
無相關博士論文
 
無相關書籍
 
無相關著作
 
無相關點閱
 
QR Code
QRCODE

臺灣人文及社會科學引文索引資料庫

目前上線人數：999（臺灣：976，外國：23） ／ 本年度總使用人次：2581353 ／ 訪客人次（自102年09月）：68390223
國家圖書館著作權聲明 Copyright © 2013 All rights reserved.
本館地址: 100201臺北市中山南路20號． 本館地圖及交通資訊．
總機：(02)23619132．最佳瀏覽解析度為1024x768以上