董坚峰,张玉峰,戴志强

(1.吉首大学 软件学院,湖南 张家界427000;2.中山大学 管理学院,广州510275;3武汉大学 信息资源研究中心,武汉430072)

0 引 言

选择模型在机器学习过程中一直属于研究热点以及研究难点[1]。随着互联网技术的高速发展以及在各个领域里应用越来越广泛的网络应用,网络数据所具有的时间与空间上的动态变化特征已不能被人所忽视,变得越来越重要。针对一些新闻、网页等文本信息类构造文本推荐模型时,必须要充分考虑这些数据的时间与空间上的动态变化特征。一些专家学者为了在某种程度上解决这一问题,创建了贝叶斯非参数模型[13]。通过非参数贝叶斯先验,能够对模型的规模自动改变,进而与数据的复杂性相适应。近几年,贝叶斯非参数模型在相关领域如文本建模型领域[2]和推荐系统[3]等的作用越发重要。

狄利克雷过程混合模型具有应用灵活和推理算法高效的特点,目前在贝叶斯非参数模型中极为重要。作为混合模型组件的先验,DP狄利克雷过程混合模型与参数型话题模型比较接近:在狄利克雷分布中隐含狄利克雷分配作用[4]。全部基于可交换的基本假设,包括狄利克雷分布混合模型和狄利克雷过程混合模型。可交换性假设在狄利克雷过程混合模型当中,标志着一个共享狄利克雷过程可产生全部数据单元,可交换性能够通过混合模型的全部组件得到满足,即组件的概率不随着组件的顺序变化而改变。……