社交标签上下位关系发现方法的研究与实现

发布时间：2021-11-15 02:59

　　随着Web 2.0网站的普及,一种新型的万维网信息分类—Folksonomy开始应用到越来越多的万维网系统中。Folksonomy是一种未经规范的,开放的分类体系,允许用户通过使用任何与资源相关的社交标签标注万维网上的资源来对万维网资源进行分类,并且用户可以共享这些社交标签。由于Folksonomy是一种平面化的分类方式,没有层次结构的划分,无法识别各个标签之间的层次联系。而层次结构的缺乏导致社交标签之间缺乏相关性,使得在资源导航和信息检索等任务中查找信息的准确度较低。对于社交标签之间层次关系的缺失问题,可通过构建社交标签层次结构来建立标签之间的层次联系。对于此问题的研究普遍采用社交标签与本体映射的方法,借助本体构建社交标签的层次结构。但社交标签具有动态更新特性能,在Folksonomy中会出现很多与当前热点相关的新词,而这些新词在本体是不会预先存在,因此这部分新词无法利用与本体映射的方式去获取标签之间的层次联系。针对以上问题,本文不再依赖本体,从Folksonomy社交标签数据的本身出发来构建其层次结构,而社交标签之间的上下位关系是组成其层次结构的基础,因此本文致力于发现社交标签之间... 

【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校

【文章页数】：56 页

【学位级别】：硕士

【部分图文】：

标签云在Folksonomy中会出现很多与当前热点相关的词语，这些词语是新创造出来的，以前不存在的词语，例

定长的连续且稠密的实数向量，例如：[0.23, 0.18, 0.54,0.37, 0.28,...]。维度一般采 维。DistributedRepresentation 的优势主要有两点，可以表述词之间的相似关系，不存的现象；此外词向量能够包含更多信息，并且每一维都有特定的含义。关词向量模型介绍介绍和本文最相关的 3 个词向量模型，分别是 Word2vec 模型、DynamicDistance-Maramic Weighting Neural Network 模型ec2vec 由 Google 的 TomasMikolov[23,24]于 2013 年提出，Word2vec 模型通过浅层神经网据目标词预测上下文或者根据上下文预测目标词，最后得到了词的分布式向量表示，着上下文的语义信息。Word2vec 模型有两种，CBOW(ContinuousBag-of-WordsMode-gram 模型，如图 2-2 所示，CBOW 模型和 Skip-gram 模型均包含输入层，隐藏层和个模型互为镜像。CBOW 模型通过上下文预测当前词，而 Skip-gram 模型则通过当前文窗口内的单词。

第二章 背景知识c Distance-Margin model (DDM)人[26]于 2015 年提出 DynamicDistance-Margin(DDM)模型，该模型对上下位关词向量。由于上下位关系不是一种对称的关系，例如：对于上下位关系对 anima上位词，反之是不成立的，所以 DDM 模型对每个词训练两个词向量 O(x)和 为下位词时的向量，E(x)表示词作为上位词时的向量。模型的架构如图 2-3 所

【参考文献】：
期刊论文
[1]国外Folksonomy应用研究的前沿进展及热点分析[J]. 毕强,王雨.  现代图书情报技术. 2013(Z1)



本文编号：3495891