基于LDA和社会网络中心度的研究生个性化检索推荐模型研究

doi:10.13266/j.issn.0252-3116.2015.13.015

图书情报工作 ›› 2015, Vol. 59 ›› Issue (13): 104-110.DOI: 10.13266/j.issn.0252-3116.2015.13.015

基于LDA和社会网络中心度的研究生个性化检索推荐模型研究

叶春蕾, 邢燕丽

北京农学院图书馆北京 102206

收稿日期:2015-05-17 修回日期:2015-06-20 出版日期:2015-07-05 发布日期:2015-07-05
作者简介:叶春蕾(ORCID:0000-0002-8776-194X),副教授,博士研究生,E-mail:ycl19750318@126.com;邢燕丽,信息咨询部主任,研究馆员。
基金资助:
本文系北京农学院2015年研究生改革与发展项目"面向研究生教育的主题个性化服务研究与实践"(项目编号:5076516002/043)研究成果之一。

The Model of Personalized Information Retrieval Recommendation Based on LDA and Social Network Centrality Analysis

Ye Chunlei, Xing Yanli

Library of Beijing University of Agriculture, Beijing 102206

Received:2015-05-17 Revised:2015-06-20 Online:2015-07-05 Published:2015-07-05

摘要/Abstract

摘要：

[目的/意义] 为了解决研究生用户面临的检索问题,提出一种基于LDA和社会网络中心度分析的个性化检索推荐模型。[方法/过程] 首先,该模型以研究生学科专业为个性化特征,并据此选择相应的数据源。其次,该模型使用LDA识别主题内容,以完成全面知识的展示。再次,该模型根据用户提交的检索词在相应的关键词-主题共现网络中进行社会网络中心度分析,以完成用户相关知识的推荐。[结果/结论] 实验表明,该模型能够很好地解决研究生检索中个性化特征、全面知识展示以及相关知识推荐三大问题,其有效性得到一定程度的验证。

关键词: LDA主题模型, 中心度分析, 共现网络, 个性化检索推荐

Abstract:

[Purpose/significance] In order to solve the retrieval problem of postgraduates, this paper proposes a personalized retrieval recommendation model based on LDA and the social network centrality analysis. [Method/process] Firstly, this model takes the discipline and specialty of postgraduate as the personalized characteristics, and selects the relevant literature data source according it. Secondly, this model uses the LDA to identify the topic content, and completes the display of the comprehensive knowledge. Thirdly, this model takes the social network centrality analysis in the keyword-topic co-occurrence network according to the retrieval word, and completes the relevant knowledge recommendation. [Result/conclusion] Experimental results show that this model can solve the three retrieval problems of postgraduates, such as the personalized features, the comprehensive knowledge display and the relevant knowledge recommendation. Its validity is verified to some extent.

Key words: LDA topic model, centrality analysis, co-occurrence network, personalized retrieval recommendation

中图分类号:

G250

叶春蕾, 邢燕丽. 基于LDA和社会网络中心度的研究生个性化检索推荐模型研究[J]. 图书情报工作, 2015, 59(13): 104-110.

Ye Chunlei, Xing Yanli. The Model of Personalized Information Retrieval Recommendation Based on LDA and Social Network Centrality Analysis[J]. LIS, 2015, 59(13): 104-110.

参考文献

[1] 范秀凤,刘禺卿,王琏嘉.基于学科服务的高校研究生专业信息素养教育[J].图书馆理论与实践,2010(11):84-87.
[2] 张群,彭奇志.研究生信息素质教育与高校图书馆学科化知识服务[J].图书馆工作与研究,2011(2):53-56.
[3] 李广建.专题:提供个性化与人性化的信息检索服务(序)[J]. 图书情报工作,2012,56(9):10.
[4] 边鹏,苏玉召. 基于检索日志的检索词推荐研究[J].图书情报工作,2012,56(9):31-36.
[5] 古可,李广建. 一种个性化信息检索服务界面的设计与实现[J].图书情报工作,2012,56(9):37-41.
[6] 李芳,杨林.基于用户的检索服务研究进展[J].情报科学,2012(9):1424-1430.
[7] 王伟军,宋梅青.一种面向用户偏好定向挖掘的协同过滤个性化推荐算法[J].现代图书情报技术,2014(6):25-32.
[8] 陈祖琴,葛继科,刘喜文.结合资源语义和用户访问路径分析的个性化推荐模型[J].情报理论与实践,2014(9):129-132.
[9] 唐晓玲,何天云.基于主题偏好的个性化检索模型研究[J].情报杂志,2011(4):133-136.
[10] Wei Xing,Croft W B.LDA-based document models for Ad-hoc retrieval[C]//Proceedings of the 29th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval.New York:ACM,2006:178-185.
[11] Ma Dashun,Rao Lan,Wang Ting.An empirical study of SLDA for information retrieval[C]//Proceeding of the 7th Asia Information Retrieval Societies Conference,Berlin : Springer, 2011: 84-92.
[12] Lukins S K,Kraft N A,Etzkorn L H.Source code retrieval for bug localization using Latent Dirichlet Allocation[C]//Proceedings of the 15th Working Conference on Reverse Engineering.Los Angeles:IEEE,2008,155-164.
[13] Park L A F,Ramamohanarao K.The sensitivity of Latent Dirichlet Allocation for information retrieval[C] //Proceedings of the Joint European Conference on Machine Learning (ECML)/European Conference on Principles and Practice of Knowledge Discovery in Databases (PKDD).Berlin:Sprmger,2009:176-188.
[14] 房小可,纪春光.基于标签主题和概念空间的个性化推荐研究[J].情报理论与实践,2015(5):105-111.
[15] 唐晓波,房小可.基于文本聚类与LDA相融合的微博主题检索模型研究[J].情报理论与实践,2013(8):85-90.
[16] 罗琳,陈远.知识挖掘与数字图书馆个性化服务[J].中国图书馆学报,2004(3):71-73.
[17] Coulter N,Monarch I,Konda S.Software engineering as seen through its research literature: A study in co-word analysis[J].Journal of the American Society for Information Science,1998,49(13):1206-1223.
[18] Tian Yangge,Wen Cheng,Hong Song.Global scientific production on GIS research by bibliometric analysis from 1997 to 2006[J].Journal of Informetrics,2008(2):65-74.
[19] 刘则渊,尹丽春.国际科学学主题共词网络的可视化研究[J].情报学报,2006,25(5):634-640.
[20] 王晓光.科学知识网络的形成与演化(I):共词网络方法的提出[J].情报学报,2009,28(4):599-605.
[21] Small H G,Griffith B C.The structure of scientific literatures I: Identifying and graphing specialties [J].Science Studies,1974(4):17-40.
[22] Small H,Sweeney E.Clustering the science citation index using co-citation. 1. A comparison of methods[J].Scientometrics,1985,7(3-6):391-409.
[23] Blei D M,Ng A Y,Jordan M I.Latent Dirichlet Allocation[J].Journal of Machine Learning Research,2003(3):993-1022.
[24] 茆诗松,王静龙,濮晓龙.高等数理统计[M].北京:高等教育出版社,2006:450-454.
[25] Griffiths T L,Steyvers M.Finding scientific topics[C]//Proceedings of the National Academy of Sciences of the United States of America.Washington:NATL ACAD,2004:5228-5235.
[26] 王金龙,徐从富,耿雪玉.基于概率图模型的科研文献主题演化研究[J].情报学报,2009,28(3):347-355.
[27] 石晶,李万龙.基于LDA模型的主题词抽取方法[J].计算机工程,2010,36(19):81-83.
[28] 崔凯,周斌,贾焰,等.一种基于LDA的在线主题演化挖掘模型[J].计算机科学,2010(11):156-159.
[29] 胡吉明,陈果.基于动态LDA主题模型的内容主题挖掘与演化[J].图书情报工作,2014,58(2):138-142.
[30] 刘军.社会网络分析导论[M].北京:社会科学文献出版社,2004:98-101.
[31] Karamon J,Matsuo Y,Yamamoto H,et al.Generating social network features for link-based classification[C]//Proceedings of the 18th European Conference on Machine Learning(ECML 2007)/11th European Conference on Principles and Practice of Knowledge Discovery in Databases(PKDD 2007).Berlin:Sprmger, 2007:127-139.
[32] Krafft J,Quatraro F,Saviotti P P.The knowledge base evolution in biotechnology: A social network analysis[J].Economics of Innovation and New Technology,2011,20(5):445-475.
[33] 王念祖,隋鑫.2009~2013年两岸图书馆学热点对比研究[J].图书情报知识,2014(4):14-25.
[34] Chen Chaomei.CiteSpace II: Detecting and visualizing emerging trends and transient patterns in scientific literature[J].Journal of the American Society for Information Science and Technology,2006,57(3):359-377.

基于LDA和社会网络中心度的研究生个性化检索推荐模型研究

The Model of Personalized Information Retrieval Recommendation Based on LDA and Social Network Centrality Analysis

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 8

编辑推荐

Metrics

[1]	顾佳云, 熊回香, 肖兵. 虚拟学术社区中融合用户动态兴趣与社交关系的学者推荐研究[J]. 图书情报工作, 2022, 66(11): 110-120.
[2]	何琳, 乔粤, 刘雪琪. 春秋时期社会发展的主题挖掘与演变分析——以《左传》为例[J]. 图书情报工作, 2020, 64(7): 30-38.
[3]	于丰畅, 陆伟. 关键词共现网络视角下的学科基础词汇发现[J]. 图书情报工作, 2019, 63(9): 95-100.
[4]	马捷, 谢雨杉, 蒲泓宇, 张云开. 智慧政务局部近邻网络节点脆弱性研究——以深圳市政府在线为例[J]. 图书情报工作, 2019, 63(15): 13-22.
[5]	廖海涵, 王曰芬, 关鹏. 微博舆情传播周期中不同传播者的主题挖掘与观点识别[J]. 图书情报工作, 2018, 62(19): 77-85.
[6]	任海英, 王德营, 王菲菲. 主题词组合新颖性与论文学术影响力的关系研究[J]. 图书情报工作, 2017, 61(9): 87-93.
[7]	隗玲, 许海云, 郭婷, 方曙. 基于弱共现和突发监测的情报学学科研究主题及交叉性分析[J]. 图书情报工作, 2015, 59(21): 105-114.
[8]	陈亮, 张志强. 一种基于专利文本的技术系统构成识别方法[J]. 图书情报工作, 2014, 58(10): 134-137,144.