《表1 HDP模型中的符号说明》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于主题和多重信任关系的微博推荐方法研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

主题挖掘模块的主要功能是利用HDP （Hierarchical Dirichlet Processes，分层狄利克雷过程）主题模型进行目标用户U及其关注用户V的微博主题挖掘，得到目标用户U及其关注用户V的主题概率分布，实现目标用户U及其关注用户V的个体兴趣偏好表达。由于利用LDA主题模型进行微博主题挖掘时，需要预先设置生成主题的K值，随机性和主观性较大，影响了最终生成主题的质量；同时，利用Dirichlet分布进行LDA主题采样，前提是各生成主题间是相互独立的，使得主题间的相关性得不到有效表达。HDP主题模型是一种在DP （Dirichlet Processes，狄利克雷过程）的基础上，使用Stick-breaking、Polya Ura或Chinese Restaurant Process构造狄利克雷过程的主题生成模型，主要特点是可以通过自动学习主题数目，挖掘文档内部深层次的语义信息，得到文档—主题—特征三层模型，无需预先设置生成主题K值，提高了最后生成主题的质量；同时，通过趋于无限的概率计算进行主题混合，能够根据不同的混合比例进行新的DP生成和新生主题共享，使得主题间的相关性得到表达[12]。因此，选择HDP主题模型进行微博用户主题挖掘，图2给出了利用HDP主题模型生成用户主题分布向量的图模型，表1对HDP图模型中的符号进行了说明。利用HDP主题模型进行微博主题挖掘的实现过程，主要分为4步: