[发明专利]一种文本推荐方法

摘要

本发明公开了一种文本推荐方法，包括建立用户模型，预处理文本文档，提取特征向量，计算特征向量间同义词的最优匹配，根据特征向量与用户模型间的相似度，确定推荐文本，本发明的方法在传统余弦夹角算法基础上加入同义词间语义相似度的匹配因子，考虑文本同义词对相似度的影响，更精确的计算文本间、文本与用户模型间的相似程度，经实验验证，本发明的一种文本推荐方法较余弦夹角算法在准确率上平均有20％的提升，具有较好的实用价值。

主权项

一种文本推荐方法，其特征在于，具体包括以下步骤：S1：预处理待推荐文档，提取文本信息中能代表文本信息的特征词及对应权重；S2：根据提取出的特征词构成特征向量；S3：根据用户历史阅读文档，采用均权技术建立用户模型；S4：根据同义词词典计算特征向量间的中英文同义词对；S5：根据Kuhn‑Munkres算法计算特征向量间同义词的最优匹配，得到余弦夹角；根据Kuhn‑Munkres算法得到的特征向量间同义词的最优匹配为，OptimalMatch(X,Y)=maxΣi=0,j=0n,mwxi·wyj·Similarity(xi,yj),]]>其中，X、Y分别表示两个向量中相互间存在同义词关系的特征词向量，wxi表示用户向量模型中特征词xi所对应的权重，wyj表示用户向量模型中特征词yj所对应的权重，Similarity(xi，yj)表示X向量中第i个特征词与Y向量中第j个特征词间的同义词相似度，n表示X向量中的特征词个数，m表示Y向量中的特征词个数；根据特征向量间同义词的最优匹配得到余弦夹角：Similarity(A,B)=A·B|A|·|B|=Σi,j∈(0,max(m,n))wai·wbj+OptimalMatch(X,Y)Σi=1mwai2+OptimalMatch(X,Y)·Σj=1nwbj2+OptimalMatch(X,Y)]]>其中，为余弦夹角公式，A、B分别代表用户模型向量和文档特征向量；wai表示用户模型向量中特征词ai所对应权重，i为常数变量且i＝1,2,...,m；wbj表示用户模型向量中特征词bj所对应权重，j为常数变量且j＝1,2,...,n；S6：根据步骤S5得到的余弦夹角，计算待推荐文档与用户模型向量之间的相似程度；S7：选取相似程度大于预先设定阈值的文档作为结果推荐给用户。