標(biāo)簽關(guān)聯(lián)與學(xué)習(xí)模型相結(jié)合的用戶興趣變化識(shí)別算法

白 楊

(遼東學(xué)院 信息工程學(xué)院，遼寧 丹東 118003)

隨著新媒體服務(wù)的蓬勃發(fā)展，社交網(wǎng)絡(luò)中的用戶生成內(nèi)容(User Generated Content，UGC)出現(xiàn)了爆發(fā)式的增長(zhǎng)。海量的UGC數(shù)據(jù)反映著用戶的觀點(diǎn)、態(tài)度、情感、行為習(xí)慣和興趣偏好。微博是中國(guó)使用人數(shù)最多、流行度最高、數(shù)據(jù)量最豐富的社交網(wǎng)絡(luò)平臺(tái)之一。微博用戶可以發(fā)表微博信息表達(dá)自己的心聲，可以關(guān)注其他用戶獲得對(duì)方的最新動(dòng)態(tài)，也可以通過標(biāo)簽標(biāo)注自己的興趣愛好，但這種用戶標(biāo)簽相對(duì)匱乏。此外，微博數(shù)據(jù)還具有文本短和時(shí)效性強(qiáng)的特點(diǎn)，同時(shí)在數(shù)據(jù)處理上又具有高稀疏性和上下文強(qiáng)依賴性。將一個(gè)用戶發(fā)布的所有微博內(nèi)容看作該用戶的全局描述文檔，通常采用VSM(Vector Space Model)方法，通過TF-IDF(Term Frequency-Inverse Document Frequency) 提取特征詞，根據(jù)特征詞的共現(xiàn)程度進(jìn)行用戶特征向量之間的相似度計(jì)算，但針對(duì)短文本，此種方法計(jì)算效果并不理想。如何有效挖掘文本和詞之間語義關(guān)聯(lián)，進(jìn)而描述用戶興趣特點(diǎn)是微博UGC挖掘的難點(diǎn)問題。微博文本語義的挖掘通常采用主題模型如LDA(Latent Dirichlet Allocation)方法，但往往忽略了微博的時(shí)效性特征。采用LDA方法提取文檔主題有一個(gè)前提，即文檔語料庫(kù)必須足夠大。雖然目前沒有文獻(xiàn)討論應(yīng)用LDA方法的文檔語料庫(kù)準(zhǔn)確大小，但通過對(duì)不同數(shù)量級(jí)的微博進(jìn)行多次實(shí)驗(yàn)，也驗(yàn)證了這一點(diǎn)。因此，構(gòu)建用戶興趣模型的方法對(duì)微博發(fā)表數(shù)量較少的“新用戶”(本文稱為“冷啟動(dòng)”用戶)不適宜采用LDA方法。針對(duì)以上問題，本文將針對(duì)社交網(wǎng)絡(luò)的UGC進(jìn)行分析,采用標(biāo)簽關(guān)聯(lián)的空間向量法構(gòu)建用戶興趣模型。同時(shí)，結(jié)合一種學(xué)習(xí)模型來識(shí)別用戶的興趣及其變化，構(gòu)建用戶興趣更新模型并給出用戶興趣變化識(shí)別算法。最后，以微博數(shù)據(jù)集為實(shí)驗(yàn)數(shù)據(jù)集，對(duì)構(gòu)建的用戶興趣模型進(jìn)行應(yīng)用，并最終獲得社交網(wǎng)絡(luò)的主題、網(wǎng)絡(luò)主題的核心用戶及其在興趣主題上的概率分布。

1 相關(guān)工作

1.1 LDA主題模型

主題模型被主要應(yīng)用于文本挖掘中，如主題抽取、信息檢索、社會(huì)網(wǎng)絡(luò)等多個(gè)領(lǐng)域。尤其在社交網(wǎng)絡(luò)文本挖掘中，主題模型發(fā)揮了重要作用。Xu S等人[1]利用時(shí)間窗法改進(jìn)LDA主題模型，捕捉用戶的興趣變化。Liu X等人[2]采用主題模型對(duì)設(shè)定的時(shí)間窗口內(nèi)的新聞?wù)Z料進(jìn)行分析，得出用戶興趣的主題概率。劉建勛等人[3]提出一種基于主題模型的方法進(jìn)行Mashup標(biāo)簽的自動(dòng)推薦。

將主題模型應(yīng)用于標(biāo)簽主題的識(shí)別研究，通常從“資源-標(biāo)簽”的二元關(guān)系展開，如Krestel R等人[4]將資源及其標(biāo)注標(biāo)簽視為“文檔-詞頻”的結(jié)構(gòu)，利用LDA建立標(biāo)簽主題模型，采用吉布斯采樣算法，通過迭代學(xué)習(xí)識(shí)別標(biāo)簽潛在的主題。Mao X L等人[5]增加文本類別因素，提出了半監(jiān)督的分層主題模型，結(jié)合標(biāo)簽主題生成文本，獲得主題的層級(jí)結(jié)構(gòu)。Schwartz C[6]通過對(duì)主題的時(shí)間變化因素，對(duì)標(biāo)簽主題分析工具和實(shí)例進(jìn)行重新挖掘，以適應(yīng)新的用戶個(gè)性化需求。由于用戶的標(biāo)注行為受用戶自身知識(shí)、背景和習(xí)慣的影響，標(biāo)注的隨意性、自由性都會(huì)使標(biāo)簽具有歧義性、同義性等特點(diǎn)，分析資源-標(biāo)簽二元關(guān)系，比如尋找同一類資源的標(biāo)簽共現(xiàn)關(guān)系，對(duì)挖掘隱藏的標(biāo)簽語義信息具有重要意義。因此，從用戶標(biāo)注行為、標(biāo)簽與資源的關(guān)系視角來識(shí)別標(biāo)簽主題是必要且可行的。

1.2 用戶興趣模型

用戶興趣建模的核心思想是通過對(duì)用戶行為及用戶關(guān)注資源內(nèi)容的挖掘，提取用戶的興趣偏好，并用一定的形式表示出來。用戶模型不僅是用戶興趣特征的描述，也是具有特定數(shù)據(jù)結(jié)構(gòu)的、面向算法的、形式化的知識(shí)的表征。

1.2.1 用戶行為模式挖掘

用戶行為模式挖掘是用戶個(gè)性特征提取的過程，通過記錄和分析用戶瀏覽行為、訪問內(nèi)容及反饋等信息對(duì)用戶興趣特征進(jìn)行提取。特征提取一般基于統(tǒng)計(jì)的方法，主要包括以下2種。TF-IDF文本關(guān)鍵詞提取方法[7-9]采用文本逆詞頻IDF值對(duì)文本高頻詞TF值加權(quán)，提取權(quán)值大的作為候選關(guān)鍵詞。由于TF-IDF的結(jié)構(gòu)簡(jiǎn)單，易于實(shí)現(xiàn)，因此得到廣泛應(yīng)用，但并不能有效反映詞語的重要度和特征詞的分布情況，所以算法的精度并不是很高。LDA主題提取方法是一種非監(jiān)督學(xué)習(xí)的機(jī)器學(xué)習(xí)方法，用以獲取大規(guī)模文檔中潛在的主題分布情況，因此能夠發(fā)現(xiàn)用戶關(guān)注的隱性主題，有助于提高用戶興趣模型的精確性。

1.2.2 用戶興趣偏好表示

用戶興趣偏好表示選用合適的方法表示用戶興趣偏好，并隨用戶興趣變化動(dòng)態(tài)更新用戶興趣模型。用戶興趣模型建立的主要依據(jù)是用戶感興趣的資源以及用戶對(duì)于資源的關(guān)注程度，用戶對(duì)資源內(nèi)容興趣的程度不同，其對(duì)用戶興趣模型的貢獻(xiàn)也不同，因此，用戶興趣模型通常表示成用戶感興趣的資源以及興趣強(qiáng)度的函數(shù)，產(chǎn)生能表示用戶特有背景知識(shí)或興趣的用戶興趣模型。比較成熟的用戶興趣表示是向量空間模型方法[10-11]，如基于領(lǐng)域本體的向量空間模型、層次向量空間模型。

1.2.3 用戶興趣變化的識(shí)別

用戶興趣變化的識(shí)別可以在用戶興趣模型建立之后，對(duì)模型增加新獲取的用戶興趣知識(shí)或者刪除過時(shí)不用的用戶興趣知識(shí)。用戶興趣模型構(gòu)建之初，由于用戶信息不夠完備，提取的特征信息與用戶的興趣關(guān)聯(lián)度不強(qiáng)，導(dǎo)致模型的準(zhǔn)確性較低。另一方面，用戶的興趣隨著時(shí)間的推移會(huì)有所變化：舊的興趣逐漸淡化，新的興趣逐漸產(chǎn)生，這一現(xiàn)象被稱為興趣漂移(Interest Drift)[12]。用戶興趣識(shí)別通常采用數(shù)據(jù)挖掘、概率論模型、信息推薦和檢索等多種混合型方法，從用戶的日志、用戶反饋信息中挖掘有用信息。

用戶是標(biāo)注行為的主體，網(wǎng)絡(luò)資源是標(biāo)注行為的客體，用戶標(biāo)簽是標(biāo)注行為的核心?；跇?biāo)簽的用戶興趣建模存在一些問題：一是由于社會(huì)化標(biāo)注具有自由化和公開性的特點(diǎn)，用戶標(biāo)注的標(biāo)簽存在著語義模糊、歧義等問題，造成標(biāo)簽使用的混亂和無序。需要對(duì)標(biāo)簽做一些預(yù)處理及擴(kuò)展工作，并通過識(shí)別標(biāo)簽的潛在主題發(fā)現(xiàn)標(biāo)簽隱藏的語義、概念和知識(shí)，對(duì)精確表征用戶的興趣提供幫助。二是隨著時(shí)間的變化，用戶的興趣偏好和關(guān)注點(diǎn)可能發(fā)生轉(zhuǎn)移，而現(xiàn)有基于標(biāo)簽累計(jì)頻次表示用戶興趣強(qiáng)度的方式并不能很好地反映出這種變化。將不同標(biāo)注時(shí)間的標(biāo)簽信息等同對(duì)待，缺乏對(duì)標(biāo)簽時(shí)效量化的分析。根據(jù)用戶在不同時(shí)間標(biāo)注行為構(gòu)建用戶興趣識(shí)別模型，以捕捉和識(shí)別用戶的興趣變化，是一個(gè)可行的方法。但如何有效地將標(biāo)簽時(shí)間因素融入用戶興趣變化的追蹤中，為保證和提高用戶興趣模型的時(shí)效性，仍是一個(gè)研究難點(diǎn)問題。標(biāo)簽的時(shí)序特征亦能反映出用戶的興趣漂移，距離當(dāng)前時(shí)刻越近的標(biāo)注信息在用戶興趣建模中具有更高的效用，反之，距離當(dāng)前時(shí)刻越遠(yuǎn)的標(biāo)注信息效用越低，即時(shí)效性隨著時(shí)間的推移將發(fā)生衰減[13-14]。

2 用戶興趣變化識(shí)別算法

采用LDA方法分析用戶的微博內(nèi)容信息，適用于用戶微博語料庫(kù)比較大的情況，語料庫(kù)數(shù)據(jù)越大，效果越好，但是對(duì)于新用戶來說，發(fā)表的微博數(shù)量并不多，如果直接采用LDA方法對(duì)微博內(nèi)容進(jìn)行處理，將不會(huì)獲得好的效果。對(duì)于這類“冷啟動(dòng)”用戶，本文采用基于標(biāo)簽關(guān)聯(lián)的空間向量相似度計(jì)算方法，獲取用戶-主題相關(guān)性。然后，根據(jù)學(xué)習(xí)模型識(shí)別用戶的興趣變化，建立用戶興趣更新模型，構(gòu)建流程如圖1所示，包括網(wǎng)絡(luò)主題獲取模塊、空間向量相似度計(jì)算模塊及用戶興趣模型及更新模型構(gòu)建模塊。

2.1 基于LDA的網(wǎng)絡(luò)主題獲取

如果將一段時(shí)間內(nèi)的用戶發(fā)布的微博內(nèi)容匯總，形成多用戶的微博內(nèi)容語料庫(kù)。采用LDA主題模型對(duì)其進(jìn)行訓(xùn)練，得到的熱點(diǎn)主題分類，網(wǎng)絡(luò)微博的主題向量形式化表示如式(1)：

(1)

其中，Ti是根據(jù)匯總的微博內(nèi)容產(chǎn)生主題i的概率，k是產(chǎn)生的主題分類的數(shù)目。同時(shí)，可以獲得不同主題分類中的關(guān)鍵詞(標(biāo)簽)的概率分布。在每個(gè)主題分類中，主題-標(biāo)簽的向量的形式化表示如式(2)：

(2)

其中，tj是根據(jù)主題Ti產(chǎn)生標(biāo)簽j的概率，s是產(chǎn)生的主題分類的數(shù)目。

為了下文的空間向量相似度計(jì)算，采用VSM模型表示LDA方法獲得的主題-標(biāo)簽?zāi)Ｐ停撃Ｐ陀蒻個(gè)主題組成m×k維向量空間，每個(gè)主題T可用一個(gè)k維的特征向量來表示Tj={(t1,ηj1),(t2,ηj2),…,(tk,ηjk)}。其中ηji表示屬性標(biāo)簽ti對(duì)主題Tj的相關(guān)度(i=1,2,…,k),即獲得了標(biāo)簽-主題分布。ηji值越大，表示當(dāng)前標(biāo)簽與此主題的相關(guān)性越大；反之，ηji值越小，表示當(dāng)前標(biāo)簽與此主題的相關(guān)性越小。

2.2 標(biāo)簽關(guān)聯(lián)的相似度計(jì)算

對(duì)單用戶的微博內(nèi)容進(jìn)行分析，得到用戶-標(biāo)簽?zāi)Ｐ?，且每個(gè)標(biāo)簽具有時(shí)間維l(標(biāo)簽所屬微博的發(fā)表時(shí)間)，構(gòu)成m×n×l的空間向量形式的特征項(xiàng)，并采用TF-IDF方法確定特征項(xiàng)權(quán)重；進(jìn)行空間向量相似度計(jì)算，得出用戶標(biāo)簽在不同網(wǎng)絡(luò)主題上的隸屬概率，以及用戶與不同主題的關(guān)聯(lián)度。

以標(biāo)簽為中間媒介，將向量空間模型表示的用戶-標(biāo)簽相關(guān)度rij與主題-標(biāo)簽相關(guān)度ηij進(jìn)行綜合，形成用戶-主題相關(guān)度δij。雖然描述的都是基于標(biāo)簽在不同維度空間中的權(quán)重，但描述的對(duì)象和權(quán)值的計(jì)算方法都不相同。因此，為了將兩個(gè)權(quán)值保持平衡，并遵守收斂原則，采用離差標(biāo)準(zhǔn)化對(duì)兩個(gè)權(quán)值分別做以處理，如式(3)：

(3)

(4)

計(jì)算結(jié)果的范圍在0～1內(nèi)，δij結(jié)果值越大，表示此主題與當(dāng)前用戶的相關(guān)性越大；反之，δij結(jié)果值越小，表示此主題與當(dāng)前用戶的相關(guān)性越小。

2.3 考慮興趣度和活躍度的學(xué)習(xí)模型

借鑒Lam和Mostafa的機(jī)器學(xué)習(xí)模型(learning model)[15]，本文引入學(xué)習(xí)模型來識(shí)別用戶興趣的變化。算法基于這樣的假設(shè)：用戶使用某一標(biāo)簽次數(shù)越多，該標(biāo)簽越能體現(xiàn)用戶的興趣，標(biāo)注次數(shù)較多的標(biāo)簽反映用戶的固定興趣。由此假設(shè)，算法將依據(jù)用戶標(biāo)注行為提取標(biāo)簽時(shí)序特征，按照每個(gè)標(biāo)簽標(biāo)注時(shí)間的先后順序建立一個(gè)用戶標(biāo)簽序列，m以一次標(biāo)注視為用戶的一次反饋。具體做法是：將第一層節(jié)點(diǎn)作為主題類的集合，用戶對(duì)葉節(jié)點(diǎn)標(biāo)簽的一次標(biāo)注將加入學(xué)習(xí)模型中，從而改變所屬主題類的興趣度。

用戶對(duì)每個(gè)主題類的興趣由兩個(gè)因素θ和q衡量，其中：θ表示用戶對(duì)主題類T的活躍度，初始值為0；q表示用戶將對(duì)主題類T的選擇概率,即興趣度，初始值為已知用戶興趣模型中的用戶-主題相關(guān)度值，變化范圍為[0,1]。θ和q分別按照式(5)和式(6)計(jì)算：

θT(t+1)=(θTt×t+rT/(t+1) ，

(5)

(6)

其中，t是用戶的標(biāo)注次數(shù)，初始值為0，每次標(biāo)注遞增1。θT(t+1)表示前(t+1)次標(biāo)注迭代的活躍度變化的平均值。rT表示當(dāng)前主題類的葉子節(jié)點(diǎn)的標(biāo)注反饋值，rT=0或1，當(dāng)某個(gè)葉子節(jié)點(diǎn)被標(biāo)注時(shí)，則對(duì)應(yīng)的主題類標(biāo)識(shí)rT=1，其余主題類的標(biāo)識(shí)rT=0，0<λ<1表示學(xué)習(xí)參數(shù)。由式(6)可知，當(dāng)用戶使用某個(gè)標(biāo)簽節(jié)點(diǎn)標(biāo)注時(shí)，它對(duì)應(yīng)的主題類的選擇概率將增加，反之將降低。

2.4 用戶興趣變化識(shí)別算法

將用戶標(biāo)簽關(guān)聯(lián)的相似度計(jì)算模型與學(xué)習(xí)模型相結(jié)合，設(shè)計(jì)用戶興趣識(shí)別算法，描述如下：

輸入：目標(biāo)用戶ui的主題模型，包括m個(gè)主題類別T，用戶-主題相關(guān)度集{δi1,δi2,…,δim}，用戶ui的z個(gè)標(biāo)簽的按照標(biāo)注時(shí)間排序的標(biāo)簽序列{ti1,ti2,…,tiz}。

輸出：目標(biāo)用戶的各個(gè)主題類興趣度。

步驟：

① 初始化，令qT=ηij，θT=0，t=0，j=1,2,…,m；

② 根據(jù)用戶ui標(biāo)簽序列{ti1,ti2,…,tiz}，構(gòu)建各個(gè)主題類的標(biāo)注序列RT，再根據(jù)式(5)，對(duì)用戶的各個(gè)主題類的活躍度θT(T=1,2,…,m)做識(shí)別處理；

③ 根據(jù)式(6)，對(duì)用戶的各個(gè)主題類的興趣度qT(T=1,2,…,m)做識(shí)別處理；

④ 根據(jù)獲得的主題類Ti的興趣度q值，修改用戶興趣模型的用戶-主題相關(guān)度。

2.5 用戶興趣更新模型的表示

在主題模型訓(xùn)練完成后，一個(gè)用戶u的興趣模型可以用式(7)的向量形式化表示：

(7)

其中，Ti是根據(jù)用戶所有微博內(nèi)容提取的主題的概率，k是主題的數(shù)目。進(jìn)而表示用戶興趣更新模型，如式(8)：

(8)

其中，Vnl表示在e時(shí)刻的更新模型，Vol表示更新之前的舊模型，N表示用戶發(fā)表微博的總數(shù)，Vp表示e時(shí)刻用戶發(fā)表的微博特征模型，如果用戶在e時(shí)刻沒有發(fā)微博，則取離e時(shí)刻最近的發(fā)表微博。對(duì)此條微博采用簡(jiǎn)單的詞頻統(tǒng)計(jì)方法，表示特征項(xiàng)的權(quán)值。引入遺忘因子進(jìn)行更新的用戶興趣可以用式(9)的主題向量進(jìn)行表示：

(9)

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)準(zhǔn)備數(shù)據(jù)統(tǒng)計(jì)及預(yù)處理

通過網(wǎng)絡(luò)爬蟲技術(shù)從微博上采集5個(gè)月的微博信息，用戶數(shù)總量為150 728個(gè)，微博數(shù)量約897萬條。采集到的微博原始數(shù)據(jù)，包括微博ID、微博內(nèi)容、用戶ID、用戶昵稱、來源、時(shí)間、原始微博ID、轉(zhuǎn)發(fā)鏈中上一條微博ID、轉(zhuǎn)發(fā)數(shù)、評(píng)論數(shù)、點(diǎn)贊數(shù)等內(nèi)容。

將數(shù)據(jù)清洗后得到最終實(shí)驗(yàn)數(shù)據(jù)集合。該集合包括用戶數(shù)7 531個(gè)，微博數(shù)864 177條，用戶標(biāo)簽數(shù)17 439個(gè)。跟本實(shí)驗(yàn)相關(guān)的信息主要包括用戶ID、微博ID、微博內(nèi)容、微博發(fā)布時(shí)間、用戶標(biāo)簽等。

3.2 LDA網(wǎng)絡(luò)主題抽取實(shí)驗(yàn)

經(jīng)過多次反復(fù)實(shí)驗(yàn)，LDA主題模型的主要參數(shù)設(shè)置如表1時(shí)，實(shí)驗(yàn)效果最好。

表1 LDA實(shí)驗(yàn)參數(shù)設(shè)置

實(shí)驗(yàn)結(jié)果包括5個(gè)主題，每個(gè)主題選擇概率值排序在前20位的標(biāo)簽集合，每個(gè)標(biāo)簽具有跟此主題相關(guān)的概率值，如圖2所示。分析這5個(gè)主題 (Topic 0～Topic 4)和標(biāo)簽內(nèi)容可知：Topic 0為“網(wǎng)絡(luò)媒體”，內(nèi)容大多跟網(wǎng)絡(luò)術(shù)語相關(guān)；Topic 1為“健康養(yǎng)生”，關(guān)注綠色、保健之類的話題；Topic 2為“國(guó)民抗戰(zhàn)”，內(nèi)容有關(guān)抗戰(zhàn)時(shí)期的地點(diǎn)、人物，具有時(shí)代特色；Topic 3為“營(yíng)養(yǎng)食品”，內(nèi)容包括一些食品的名詞；Topic 4為“西方宗教”，內(nèi)容有關(guān)文明和信仰。

3.3 用戶興趣獲取實(shí)驗(yàn)

針對(duì)“冷啟動(dòng)”用戶的劃分問題，將每個(gè)用戶發(fā)表的微博集分詞處理后的結(jié)果作為考慮對(duì)象，經(jīng)過多次反復(fù)實(shí)驗(yàn)，設(shè)置2 000為閾值，即將分詞數(shù)量少于2 000條的用戶當(dāng)作“冷啟動(dòng)”用戶。實(shí)驗(yàn)結(jié)果見表2，每個(gè)主題選擇Top-5核心用戶為代表(為保護(hù)用戶隱私，用戶名已采用化名)。

表2 主題-用戶概率分布

通過對(duì)實(shí)驗(yàn)結(jié)果和用戶微博內(nèi)容的觀察，可以獲知用戶主題概率值大于0.05時(shí)，視該主題為用戶的興趣。用戶主題概率值越大，說明此用戶對(duì)這個(gè)主題越感興趣，比如用戶名為“健康常識(shí)”的用戶，對(duì)Topic 1表示“健康養(yǎng)生”的主題概率值高達(dá)0.917 39。有些用戶在不同主題下都具有較高的概率，如“固518”用戶在Topic 0中的概率是0.283 90，而在Topic 4的概率是0.257 62，說明此用戶對(duì)這兩個(gè)主題都很感興趣，興趣相對(duì)廣泛。

將圖3和表2的數(shù)據(jù)相結(jié)合，就可以得出用戶的確切興趣。從每個(gè)主題中任意選出一位用戶，其興趣主題及其標(biāo)簽概率分布見表3，將標(biāo)簽概率小于0.05的興趣度視為0。

表3 用戶興趣概率分布

觀察表3發(fā)現(xiàn)，除了“固518”之外，只有“江風(fēng)尚”還具有兩個(gè)興趣主題，其余用戶在5個(gè)興趣主題上的都僅占一席，即屬于興趣單一用戶。分析原因，由于在表2中的用戶在各自主題上均屬于Top-5用戶，具有與此主題的強(qiáng)相關(guān)性，因此對(duì)其他主題的興趣度相對(duì)較弱，這與生活中一個(gè)人如果對(duì)某一領(lǐng)域具有濃厚的興趣，對(duì)其他領(lǐng)域關(guān)注度相對(duì)會(huì)較少的實(shí)際情況相符。

4 結(jié)語

本文利用LDA主題模型抽取用戶興趣和網(wǎng)絡(luò)主題，對(duì)“冷啟動(dòng)”用戶引入空間向量相似比較，使得針對(duì)不同特征的用戶，其建模方法有所不同，更好地?cái)M合了實(shí)際情況。引入標(biāo)簽時(shí)序特征的學(xué)習(xí)模型對(duì)用戶興趣變化進(jìn)行識(shí)別，并未在計(jì)算復(fù)雜度上提升數(shù)量級(jí)，因此對(duì)模型的計(jì)算時(shí)間以及計(jì)算資源上并未有跨越式的消耗量，僅僅以消耗小部分計(jì)算時(shí)間以及計(jì)算資源識(shí)別用戶的興趣變化，較好地解決了建模中用戶興趣變化識(shí)別的難點(diǎn)問題。