《毕业答辩-基于主题模型的用户手机日志数据分析》由会员分享，可在线阅读，更多相关《毕业答辩-基于主题模型的用户手机日志数据分析（22页珍藏版）》请在金锄头文库上搜索。
1、姓名： 导师：,基于主题模型的 用户手机日志数据分析,内容简介 主要工作及结果 总结展望,内容简介,主要工作,数据预处理,语料库（Corpus）中共有两篇文档（Documents） John likes to watch movies. Mary likes movies too. John also likes to watch football games. 构建单词库（Vocabulary） 得到bag-of-words表示 1, 2, 1, 1, 2, 0, 0, 0, 1, 1 1, 1, 1, 1, 0, 1, 1, 1, 0, 0,Bag-of-words,手机用户安装的应用列表
2、 手机应用对应的标签列表,原始数据,获取 Bag-of-labels,用户特征分析,主题模型,什么是主题？,主题模型,Latent Sematic Analysis SVD分解,主题模型,Probabilistic Latent Sematic Analysis 参数估计方法：EM算法 PLSA优点：有统计基础，能比LSA更好地提取文章特征。 PLSA缺点：对于训练集以外的文章，难以给出一个主题分布。,主题模型,Latent Dirichlet Allocation,LDA,在PLSA的基础上增加了先验，可以对训练集以外的文本进行推断 LDA参数估计方法分两类： 变分推导（Variationa
3、l Inference） 采样（Sampling Methods） 我的实现：基于Gibbs Sampling,LDA结果,聚类及可视化,K-means聚类,气泡图可视化,简单的推荐系统,简单的推荐系统,思路：基于用户相似度的协同过滤。 方法：对于某一个待推荐的用户，找到训练集中与他相似度最高的前K个用户，然后进行推荐。 两个推荐系统的不同之处仅在于用户相似度计算方法 推荐系统1：利用用户安装列表直接计算相似度 推荐系统2：利用用户的主题分布计算相似度,推荐系统准确率对比,结论：使用了LDA以后，用户相似度的计算更加准确，因此LDA可以更好地提取用户的特征。,完成了用主题模型对手机日志数据进行分析的一种方法： 1）用主题模型对用户数据进行分析 2）利用分析结果进行聚类和人群可视化 3）利用分析结果进行应用推荐 未来方向： 1）完善手机应用标签库（可能需人工干预） 2）结合用户其他维度信息，改造LDA的贝叶斯网 3）想出一套标准，可以评价主题模型分析结果的优劣,总结展望,
