27、网页推荐系统中的半监督标签提取与3D对象相似性模型

网页推荐系统中的半监督标签提取与3D对象相似性模型

网页推荐系统中的半监督标签提取

在网页推荐系统中，标签提取是一项重要任务。经过前两个阶段，我们得到了标签列表 $T$ 和资源训练数据集 $R$。数据集由两部分组成：“种子”数据集中已知确切标签的预标记网页 $R_e$，以及已知标签从内容出现中提取的部分标记网页 $R_p$。然而，有许多有用的标签可以分配给网页，但实际上并未出现在网页上。这就是我们方法的第三个主要步骤要解决的问题。

标签推荐

考虑集合 $F = (T, R, Y)$，其中 $T$ 是有限的标签集（字典），$R = R_e ∪ R_p$ 是有限的资源集（网页），分为精确标记的资源 $R_e$ 和部分标记的资源 $R_p$，$Y ⊆ T × R$ 是标签到资源的可用分配。半监督标签推荐问题是，对于给定的训练集 $F$，找出 $T$ 中的哪些标签除了 $Y$ 中已指定的标签外，还应与 $R_p$ 中的资源匹配。我们将此问题视为资源内容空间中的分类问题，将每个 $r ∈ R$ 转换为词袋，并以 $r_w$ 表示单词 $w$ 在资源 $r$ 中出现的次数。标签推荐可以看作是一个二分类问题：给定的标签 $t$ 是否与给定的页面 $r$ 匹配？我们比较两种不同的资源特征集：词频 $r_w$ 和 tf - idf 权重。

tf - idf 权重的计算公式为：
[tf - idf(w, r, R) = tf(w, r)idf(w, R) = \frac{r_w}{\sum_{w∈W} r_w} \log \frac{|R|}{|{r ∈ R | w ∈ r}|}]

对于分类方法，我们主要关注与支持向量机（SVM）通用方法相关的方