用于在线论坛的信息实时推荐方法

1.用于在线论坛的信息实时推荐方法，包括以下步骤：
1）、获取指定时间段内用户参与讨论过的所有主题链数据，分析主题链中的包含的潜在主题；
2）、对不同的潜在主题分别衡量用户参与讨论的相互影响值和用户自发兴趣值；
3）、计算用户参与新主题链的趋势概率，并依此对用户进行排序，并将排序后的主题链推送给用户。
2.如权利要求1所述的用于在线论坛的信息实时推荐方法，其特征在于：步骤1）中，获取用户参与过的主题链数据，分析潜在主题的方法包括以下步骤：
（ 1 . 1 ） 抽 取 论 坛 网 页 中 的 主 题 链
，所有的主题链 构成主题链集合 ， ；获取分别每个主题链 中的所有帖子，抽取每个帖子 的时间戳（Timestamp）、发帖的用户名（User Name）、用户编码（User ID）、被回复的用户名（Replied User Name）、文本信息（Message Text）；
（1.2）分别统计每个主题链 中、用户 对主题链原帖的回复次数 ，和用户 对回帖的用户 的回复次数 ；
（1.3）获取主题链中的所有文本信息，所有的文本信息构成一个文档，使用隐含狄利克雷分配（Latent Dirichlet Allocation)对文档进行潜在主题分析；所述的潜在主题分析包括获取给定词w在一个文档中的生成概率 和采用吉布斯采样（Gibbs Sampling）获取在潜在主题z下选取w的概率、以及潜在主题z在给定文档下的概率；
其中： ；
表示给定词w在潜在主题z下的概率， 表示指定了文档的情况下、在潜在
主题z下选取w的概率。
3.如权利要求2所述的用于在线论坛的信息实时推荐方法，其特征在于：步骤2）中， 用影响矩阵 表示用户对某个潜在主题z参与讨论的相互影响关系，用自发兴趣向量表示用户对某个潜在主题z的自发兴趣值；
步骤2）中计算用户参与讨论的相互影响值和自发兴趣值包括以下步骤：
（2.1）计算获取影响矩阵 中的每个元素 ， 表示用户i对用户j参与主题z讨论的影响， ；
计算获取自发兴趣向量 中的每个元素 ， 表示用户i对潜在主题z的偏好程度，独立于用户之间的影响关系， ；
（2.2）对影响矩阵 中的每个元素 正则化：
其中， 表示用户的数量；正则化后，影响矩阵 每一行的和为1；
对自发兴趣向量 中的每个元素 正则化， ；
(2.3)用马尔科夫链（Markov Chain）模拟用户参加主题讨论的动态过程，其中，马尔科夫链的节点表示用户，边权重表示用户参与主题讨论的转变概率，即主题沿着节点之间的边从一个用户流转到另一用户的概率；使用影响矩阵 的元素 来表征马尔科夫链的边权重，使用自发兴趣向量 中的元素 表征主题在任意节点跳转到相应节点、而非沿着节点之间的边进行转变的概率，即主题在每个节点重新开始的概率；
用户参加主题讨论阐述为用主题在用户关系构成的马尔科夫链上随机走（random walk）的过程。
4.如权利要求3所述的用于在线论坛的信息实时推荐方法，其特征在于：步骤3）中，用户参与新主题链的趋势概率的计算方法包括以下步骤：
（3.1）对影响矩阵 和自发兴趣向量 做线性组合、获取概率转变矩阵 ，
，
其中：表示元素都为1的向量；
表示线性组合的平衡因子（ ）， 可根据实际数据调节，一般取0.5。
值越大，表示用户相互影响机制越强，而自发兴趣机制越弱；反之，则用户相互影响机制越弱，而自发兴趣机制越强；
概率转变矩阵 里的每个元素表达了两个节点之间单步到达的转变概率；
（3.2）假设节点之间通过 （=1, 2, …）步到达进行转变的概率是均匀分布的，即在通过任意正整数值步骤转变的概率是都是 。则最终的转变概率矩阵可以有以下式子替换算出：
当 ， ；
通过对用户在概率转变矩阵 中对应的行的所有元素进行叠加、计算得到每个用户的最终趋向概率；
（3.3）用趋势概率向量 表示每个用户是否已经加入到新主题链 的讨论中，若用户 已经加入到新主题链 讨论中，则设定 里元素 为1，否则为0；
每个用户的趋势概率向量 ，向量 里的每个元素
表示了用户 参加新主题链 的趋向概率；
（3.4）对趋向概率按照从大到小进行排序，选取最大的前 个值对应的用户作为此主题链 的推荐对象，进行实时推荐。

暂无