公共文化资源标签推荐方法

doi:10.3969/j.issn.1006-2475.2024.10.017

摘要/Abstract

摘要： 资源标签在信息爆炸时代具有不可或缺的作用，利用标签能够在很大程度上减轻推荐系统的工作量，提高其准确度。基于国家公共文化云平台资源，本文设计一种基于资源标签相关性的公共文化资源推荐方法。首先，提出BERT-GSTCNN模型（Integrating Global Semantics BERT TextCNN Model），该模型通过挖掘资源文本的局部及整体与标签之间的深度语义关系，得到资源与标签间文本相关性；然后，基于TF-IDF算法挖掘资源与标签间关键词相关性；最后，通过感知器模型将二者相融合得到资源与标签的相关性，最终得到公共文化标签资源推荐序列。分别在Reuters-21578和国家公共文化云数据集上进行多组实验，结果表明该方法资源推荐效果优于基线模型。

关键词: 标签推荐, 多标签分类, 文本特征, 公共文化资源

Abstract: Resource labels play an indispensable role in the era of information explosion， and the use of labels can greatly reduce the workload of recommendation systems and improve their accuracy. A public cultural resource recommendation method based on the relevance of resource labels is designed based on the resources of the national public cultural cloud platform. Firstly， the Integrating Global Semantics BERT TextCNN Model is proposed， which extracts the deep semantic relationships between local and global resource texts and labels to obtain the text correlation between resources and labels. Secondly， the keyword correlation between resources and labels is mined based on the TF-IDF algorithm. Finally， the correlation between resources and labels is obtained by using perceptron model and the recommended sequence of public cultural label resources is ultimately obtained. Multigroup experiments are conducted on the Reuters-21578 and National Public Culture Cloud datasets. The experiments results show that the resource recommendation effect of our method is superior to the baseline model.

Key words: , label recommendation； multi-label classification； text features； public cultural resources

中图分类号:

TP391

焦一凯1, 2, 朱欣娟1, 2. 公共文化资源标签推荐方法[J]. 计算机与现代化, 2024, 0(10): 107-112.

JIAO Yikai1, 2, ZHU Xinjuan1, 2. Label Recommendation Methods for Public Cultural Resources[J]. Computer and Modernization, 2024, 0(10): 107-112.

参考文献

［1］全国资产管理标准化技术委员会. 公共文化资源分类：GB/T 36309-2018［S］. 北京：中国标准出版社， 2018.
［2］国家图书馆研究院. 国家公共文化云正式开通［J］. 国家图书馆学刊， 2018，27（1）：47.
［3］朱欣娟，童小凯，王西汉，等. 一种融合协同因子的知识图谱传播推荐模型［J］. 西安工程大学学报， 2022，36（2）：79-86.
［4］杨辉，王月海，豆震泽. 一种基于文本卷积神经网络的推荐算法［J］. 计算机与现代化， 2020（10）：7-11.
［5］秦川，祝恒书，庄福振，等. 基于知识图谱的推荐系统研究综述［J］. 中国科学：信息科学， 2020，50（7）：937-956.
［6］ BARCLAY L A. Tagging： People-powered metadata for the social web （Smith， G.； 2008）［Book Review］［J］. IEEE Transactions on Professional Communication， 2009，52（3）：321-322.
［7］ LEI K， FU Q A， YANG M， et al. Tag recommendation by text classification with attention-based capsule network［J］. Neurocomputing， 2020，391：65-73.
［8］ KRESTEL R， FANKHAUSER P， NEJDL W. Latent Dirichlet allocation for tag recommendation［C］// Proceedings of the 3rd ACM Conference on Recommender Systems. ACM， 2009：61-68.
［9］邵健，章成志，李蕾. Hashtag研究综述［J］. 现代图书情报技术， 2015（10）：40-49.
［10］徐鹏宇，刘华锋，刘冰，等. 标签推荐方法研究综述［J］. 软件学报， 2022，33（4）：1244-1266.
［11］俞崇伟，吴刚. 融合内容分析与标签拓展的社交标签推荐［J］. 计算机与现代化， 2016（5）：77-83.
［12］郑淞尹，谈国新.景点文化资源标签自动生成与应用研究［J］. 图书情报工作， 2022，66（7）：132-143.
［13］ XIA X， LO D， WANG X Y， et al. Tag recommendation in software information sites［C］// Proceedings of the 10th Working Conference on Mining Software Repositories. ACM， 2013：287-296.
［14］王俊淑，张国明，胡斌. 基于深度学习的推荐算法研究综述［J］. 南京师范大学学报（工程技术版）， 2018，18（4）：33-43.
［15］ WU Y， YAO Y， XU F， et al. Tag2Word： Using tags to generate words for content based tag recommendation［C］// Proceedings of the 25th ACM International Conference on Information and Knowledge Management.ACM， 2016：2287-2292.
［16］ GHOSH S， DESARKAR M S. Class specific TF-IDF boosting for short-text classification：Application to short-texts generated during disasters［C］// Companion Proceedings of the The Web Conference 2018. ACM， 2018：1629-1637.
［17］ MIKOLOV T， CHEN K， CORRADO G， et al. Efficient estimation of word representations in vector space［J］. arXiv preprint arXiv：1301.3781， 2013.
［18］ MIKOLOV T， SUTSKEVER I， CHEN K， et al. Distributed representations of words and phrases and their compositionality［C］// Proceeding of the 26th International Conference on Neural Information Processing Systems. ACM， 2013，2：3111-3119.
［19］ PETERS M E， NEUMANN M， IYYER M， et al. Deep contextualized word representations［C］// Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies. ACL， 2018：2227-2237.
［20］ DEVLIN J， CHANG M W， LEE K， et al. BERT： Pre-training of deep bidirectional transformers for language understanding［J］. arXiv preprint arXiv：1810.04805， 2018.
［21］ RADFORD A， NARASIMHAN K， SALIMANS T， et al. Improving language understanding by generative pre-training ［EB/OL］. （2018-06-11）［2023-08-15］. https：//s3-us-west
-2.amazonaws.com/openai-assets/research-covers/language
-unsupervised/language_understanding_paper.pdf.
［22］鲍彤，罗瑞，郭婷，等. 基于BERT字向量和TextCNN的农业问句分类模型分析［J］. 南方农业学报， 2022，53（7）：2068-2076.
［23］杨林，黄晓硕，王嘉阳，等. 基于BERT-TextCNN的临床试验疾病亚型识别研究［J］. 数据分析与知识发现，2022，6（4）：69-81.
［24］ KIM Y. Convolutional neural networks for sentence classification［C］// Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing （EMNLP）.ACL， 2014：1746-1751.
［25］张文峰，奚雪峰，崔志明，等. 多标签文本分类研究回顾与展望［J/OL］. 计算机工程与应用： 1-24［2023-05-03］. http：//kns.cnki.net/kcms/detail/11.2127.TP.20230302.1530.014.html.
［26］ READ J， PFAHRINGER B， HOLMES G， et al. Classifier chains for multi-label classification［J］. Machine learning， 2011， 85（3）：333-359.
［27］ TAN Z P， CHEN J， KANG Q， et al. Dynamic embedding projection-gated convolutional neural networks for text classification［J. IEEE Transactions on Neural Networks and Learning Systems， 2022，33（3）：973-982.
［28］黄忠祥，李明. ALBERT结合双向网络的文本分类［J］. 计算机与现代化， 2022（10）：8-12.

[1]	唐诗琪, 周瑞平, 谢仕斌, 刘梦赤, 肖文, . 基于栈式降噪编码器的跨语言多标签情感分类[J]. 计算机与现代化, 2023, 0(11): 6-12.
[2]	李传栋, 邱磊, 于雁. 基于改进残差密集网络的心律失常自动分类[J]. 计算机与现代化, 2021, 0(11): 106-111.
[3]	刘斌, 李笑. 基于数字内容偏好的多标签分类应用[J]. 计算机与现代化, 2021, 0(02): 45-50.
[4]	马建红，刘广森，姚爽，杨智. 面向短文本的特征选择及文本表示[J]. 计算机与现代化, 2019, 0(03): 95-.
[5]	张晶1,2. 基于AdaBoost回归树的多目标预测算法[J]. 计算机与现代化, 2017, 0(9): 89-95,105.
[6]	周恩波，叶荣华，张微微，周子涵. 一种基于成对标签的Rakel算法改进[J]. 计算机与现代化, 2016, 0(3): 16-18+23.