傅魁，丁健，覃桂双

(武汉理工大学 经济学院，湖北 武汉 430070)

一、引 言

随着微博等社交媒体的日益普及，网络信息呈现爆炸式增长，造成了信息超载等问题，导致用户难以获取与用户相关或感兴趣的信息[1]。目前，较为有效的解决方法是个性化推荐，用户兴趣建模为其中主要研究内容[2]。Stoyanovich等[3]利用平衡标签对用户在Flickr和YouTube两个网站上所贴标签进行分析，并通过用户的社会网络进行用户兴趣建模。邢玲等[4]突出阅读时间的特殊性，结合用户的其他行为数据计算混合兴趣值，提出扩展获取兴趣内容与行为信息的用户兴趣模型。蒋翀等[5]将用户行为加入到用户偏好链表中，同时规定，如果用户的兴趣偏好值在固定的时间间隔t上线性衰减到0，则该兴趣被淘汰，从而建立用户兴趣模型。国显达等[6]认为，文本信息的主题特征不明显，不能提供足够的目标信息。而主题模型可用于识别文档集中的隐含主题，能够挖掘用户关注的非显性主题，有助于提高用户兴趣模型的准确性，同时有助于避免传统文本挖掘算法中计算复杂度过高和相似度计算精度过低等问题，被广泛应用于数据挖掘领域。

主题模型是一种基于文本的概率生成模型。通过模拟人类的思维过程，寻找生成文本的最佳主题及词项，主题模型能够最大程度挖掘文本含义，从而有效解决文本、潜在语义主题以及词项三者之间的语义关联问题[7]。主题模型包括潜在语义分析(LSA)[8]、概率潜在语义分析(PLSA)[9]和潜在狄利克雷分布(latent dirichlet allocation，LDA)[10]等。……