[发明专利]一种基于信息检索的大规模软件信息站标签推荐方法

权利要求书

1.一种基于信息检索的大规模软件信息站标签推荐方法，其特征在于，包括以下步骤：

步骤1：对软件信息站的软件对象数据进行预处理，移除不带标签的和标签频率低于预设定阈值的软件对象，最后移除这些软件对象描述中的停词，从而得到所有带标签和描述的软件对象集合；包括以下子步骤：

步骤1.1：基于已经存在的标签，对软件信息站的软件对象，去除其中的不带标签项；

步骤1.2：对于出现频率小于临界值threshold的标签，是拼写错误或者某一个特殊的领域导致，对于拼写错误的标签不得推荐给用户，而对于特殊领域的软件对象，由开发者自行创建标签；

步骤2：为步骤1中的软件对象创建索引，保存对象描述中的词，称为词典，每个词都指向包含该词的文档链表，此文档链表称为倒排表；也就是对步骤1中集合内的软件对象创建索引，利用软件对象描述中的词创建词典，并且对于每个词，创建一个链表，链表的每一个节点存放描述中包含该词的软件对象的索引以及该词在节点对象中频数；

步骤3：根据公式计算出给定的软件对象和步骤1集合中软件对象的相似得分，并取其中相似度最高的若干个软件对象构成候选集合，具体是通过公式计算软件对象与步骤1集合中的软件对象的相似得分；将软件对象o的描述看作一个查询项，计算出得分，该得分取决于软件对象o描述中的词同时也在软件对象o_i描述中出现的频率，计算的公式如下：

其中，φ(o.d)项对查询项标准化，公式为对于公式中ψ(w)项表示w的权重，ψ(o.d)表示软件对象o的描述o.d的权重；权重能够自行设置，将某个词的权重设置成最大值表示该词比其他词更加重要；#o_i.d.w项表示w在o_i软件对象的描述o_i.d中出现的频率；#S_w表示软件对象描述中包含词w的对象数目，也就是步骤2创建的词典中w词指向的链表的长度；ρ(o_i.d)项是δ(o，o_i)的一个标准化参数，计算公式其中ψ(o_i.d)表示软件对象描述的权值，|o_i.d|表示描述的规模；

步骤4：对步骤3得出的候选集合中软件对象的相似得分进行标准化，根据软件对象标准化的相似得分以及对象标签频率计算标签的得分，按照标签得分排序得到标签推荐列表，将得分最好的若干个推荐给开发者，具体是：

计算候选集中软件对象的标签的得分：首先对步骤3中得出的相似得分进行标准化，通过公式δ^norm(o，o_i)＝(δ(o，o_i)-C_min)/(C_max-C_min)将结果归一化为[0，1]之间的值；用集合T_i表示中对象o_i的标签，则候选集合中所有软件对象的标签合集用集合表示；对于每一个标签利用以下公式计算标签t_i的得分，其中#o_i.t_j表示o_i中t_j出现的频率；将中所有的标签按照得分高低将标签构成一个排好序的列表TL，将TL中得分最高的K个标签构成的TL^topK链表推荐给用户。