基于改进LDA的社会化标签主题识别方法

邰 悦，葛 斌，李慧宗

(1.安徽理工大学计算机科学与工程学院,安徽 淮南 232001; 2.南阳师范学院计算机科学与技术学院,河南 南阳 473061)

社会化标签是Web2.0时代的重要衍生资源，主要来源于电商平台、社交平台、医疗服务等众多应用场景中，但是这些社会化标签以及对应的资源存在着自发性、独立性和随机性。传统主题模型在对社会化标签资源进行主题识别时，往往采用词袋模型进行处理，会导致资源权重分布和采样过程不合理。因此，消除社会化标签资源之间的独立同分布特性，构建潜在关联关系并通过加权方法对资源内容和标签内容进行加权，再通过改进的LDA模型对资源进行主题识别是本文研究重点。

1 相关工作

1.1 社会化标注系统

社会化标注系统为互联网用户和研究人员提供了一个自由开放的平台，使得海量语义源数据进行了有效利用。可以用于主题识别与聚类、社会化推荐和web对象分类，方便用户进行搜索，组织和共享资源。

近年来对社会化标签的研究热度依旧不断。例如文献[1]提出构造UATM (User-based Aggregation Topic Model)用于分析社交数据，分析用户的偏好和意图分布，利用RNN(Recurrent Neural Network)和IDF (Inverse Document Frequency)来构造权重，并提出折叠的Gibbs采样算法用于UATM模型推断。

标签不仅仅局限于文本，也可以对图像标签进行研究，可以提高资源内容和对应标签的质量，从而提高社会化标签的推荐效果以及图片和视频的检索性能。文献[5]基于移动推荐系统提出一个基于社交标签聚类方法的移动应用个性化推荐系统框架，可以为未来移动推荐系统提供备选方案。……