买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京工业大学

摘要：本发明公开了基于深度语义辨析的文本推荐方法，根据深度语义网格模型自动抽取文本主题，根据主题情景语义辨析方法推理在不同文本背景下的情景语义，实现融合情景状态的文本主题树，根据用户实时情景状态为每篇文档构建出用户文本兴趣画像。在查询端针对用户情景状态的实时波动，对文本主题树进行情景语义筛选，将查询内容进行查询兴趣主题建模，根据激活扩散方法对用户直接兴趣主题进行二次潜在语义推理，计算主题的全局激活值，构建融合当前情景语义的用户查询兴趣画像。通过相似度计算方法为文档进行评分，根据评分高低生成文本推荐列表。

主权项：1.一种基于深度语义辨析的文本推荐方法，其特征在于，所述文本推荐方法包含如下步骤：步骤1：基于类脑“分层-发散”思考模式构建深度语义网格模型；步骤2：结合“网格主题-同义词袋”模型和词匹配技术推理文本的网格主题集，利用网格模型的“联想-记忆”功能将分散的主题联结，然后利用情景语义分析功能推理不同激活主题在当前文本下的情景标签，最后构建融合多种情景语义以及记忆联结的文本主题树；步骤3：根据用户兴趣对文本主题树进行剪枝处理，即过滤掉不符合用户当前情景状态的主题和关系，从而构建基于情景语义筛选的文本主题树；步骤4：利用TF-IDF算法统计数据库中所有经过情景语义筛选后的文本主题树，计算主题的权重值并映射到相应的网格主题节点中，为每篇文档构建出用户文本兴趣画像；步骤5：根据伪相关反馈方法抽取出与用户查询内容相关的文档以及相应的情景语义筛选后的文本主题树，统计反馈树中主题的频次并做归一化处理得到初始兴趣主题激活值；步骤6：利用激活扩散机制计算反馈学习下初始兴趣网格主题与潜在兴趣网格主题的全局动态激活值，将计算结果赋值给网格模型中相应的主题节点，构建融合当前情景语义的用户查询兴趣画像；步骤7：利用基于网格的余弦相似度计算方法，为用户查询兴趣画像和用户文本兴趣画像之间的深度语义相关度进行评分，并生成推荐列表进行推荐。

全文数据：一种基于深度语义辨析的文本推荐方法技术领域[0001]本发明涉及推荐技术领域，涉及一种基于深度语义辨析的文本推荐方法，特别涉及一种基于类脑“分层-发散”思考模式构建的深度语义网格模型与文本主题情景语义辨析的推荐方法。背景技术[0002]推荐系统在上世纪90年代被提出，早期的推荐系统主要关注于检索结果的形式相似性，而忽略了检索结果与查询的语义相关性，导致推荐结果的噪音很大。近几年，随着无纸化数据的爆发式增长，信息检索的有效性问题引起了研究人员的广泛关注，提出多种基于语义的信息检索方法。在个性化语义推荐方面，主要分为形式语义学和社会语义学两类方法。[0003]社会语义学方法一方面通过分析用户日志、用户标签、领域流行度和用户活跃度等信息，构建用户人体画像，达到个性化推荐的效果；另一方面基于用户相似性和项目相似性的方法，通过最相似的若干用户对某个项目的评分逼近目标用户对该项目的评分达到推荐效果，例如协同过滤方法。前者提高了检索结果的兴趣相关性，但是需要分析大量的用户行为数据，显然大部分用户的数据达不到这个要求，同时，这种方法的本质是兴趣关键词的形式匹配，缺乏语义分析和潜在兴趣挖掘的能力；后者虽然更加人性化，并且具有较强的挖掘潜在兴趣文档的能力，但是由于反馈的结果复杂多样，反而导致出现大量与查询不相关的内容。同时，随着数据推荐维度的不断扩大，数据稀疏性引起的冷启动问题，特别是在一个新用户或者一系列新领域文献资料进入系统时，由于没有足够的信息支撑，使得推荐效果下降。[0004]形式语义学推荐系统大部分采用基于本体的语义查询技术。这种方式将文档信息抽象到概念层，概念与概念之间利用不同语义关系连接在一起，形成一种类脑思维模式的网状结构。由于该方法直接从概念层对文本进行操作，并且绝大部分应用于结构化知识库的检索，所以结果的语义相关性提高十分明显。但是，在利用这些方法对文本进行推荐时，并没有考虑到概念在文本中隐含的情景语义，导致文档向本体映射的过程中出现语义模糊的情况。因此，现有技术还有待于改进和发展。发明内容[0005]有鉴于现有技术的不足，本发明提供了一种基于深度语义辨析的文本推荐方法，旨在解决现有推荐方法语义相关性有待提高的问题。[0006]为解决上述技术问题，本发明所采取的技术方案具体包括如下步骤：[0007]步骤1:基于类脑“分层-发散”思考模式构建深度语义网格模型；[0008]步骤2:结合“网格主题-同义词袋”模型和词匹配技术推理文本的网格主题集，其次，利用网格模型的“联想-记忆”功能将分散的主题联结，接着，利用情景语义分析功能推理不同激活主题在当前文本下的情景标签，最后，构建融合多种情景语义以及记忆联结的文本主题树；[0009]步骤3:根据用户兴趣对文本主题树进行剪枝处理，即过滤掉不符合用户当前情景状态的主题和关系，从而构建基于情景语义筛选的文本主题树；[0010]步骤4:利用TF-IDF算法统计数据库中所有经过情景语义筛选后的文本主题树，计算主题的权重值并映射到相应的网格主题节点中，从而为每篇文档构建出用户文本兴趣画像；[0011]步骤5:根据伪相关反馈方法抽取出与用户查询内容相关的文档以及相应的情景语义筛选后的文本主题树，统计反馈树中主题的频次并做归一化处理得到初始兴趣主题激活值；[0012]步骤6:利用激活扩散机制计算反馈学习下初始兴趣网格主题与潜在兴趣网格主题的全局动态激活值，将计算结果赋值给网格模型中相应的主题节点，构建融合当前情景语义的用户查询兴趣画像；[0013]步骤7:利用基于网格的余弦相似度计算方法，为用户查询兴趣画像和用户文本兴趣画像之间的深度语义相关度进行评分，并生成推荐列表进行推荐。[00M]进一步的，本发明步骤1所述的深度语义网格模型是依据类脑“分层-发散”思维模式的构建方法，所述步骤1构建过程具体包括：[0015]步骤1-1，选取具有多领域融合的分类本体，利用Stanford大学的自然语言处理工具对本体中主题作语义拆分和词性还原处理得到核心主题集，按照本体的记忆特性将核心主题连接成发散的网格模型；[0016]步骤1-2,构建“网格主题-同义词袋”语义映射模型，“主题”代表分层网格模型中核心主题，“词袋”是通过抽取上述主题在WordNet词典中的同义术语集合组成。若“主题-词袋”模型中术语在文本中出现，则该主题被激活并将对应的网格节点属性设置为“1”，实现文本浅层语义主题挖掘功能；[0017]步骤1-3,遍历DBpedia知识库中“主题-标签-摘要”三元组，将三元组中主题与“主题-词袋”模型中术语进行匹配并抽取知识库中匹配主题对应的标签和摘要数据，将“网格主题-DBpedia主题-标签-摘要”逐层映射，并用语义相关关系类型进行关联；[0018]步骤1-4,以“分层-记忆”网格模型为骨架，实现“同义词袋-网格主题-DBpedia主题-标签-摘要”融合的“发散-深层”语义网格模型。[0019]进一步的，本发明的步骤2中采用了基于DBpedia知识库的主题情景语义辨析方法，所述主题情景语义辨析方法具体包括：[0020]第一步，生成文档中激活主题S动态跨度加窗后上下文的术语集合，Keys;[0021]第二步，生成DBpedia知识库中激活主题s所对应的不同情景标签m下摘要的术语集合，Tm,s;统计情景标签下的摘要术语个数，Nm;[0022]第三步，根据以下公式计算主题情景语义相似度：[0023];其中counterTm,s,Keys表示集合Tm,s与Keys中术语的共现频次。[0024]第四步，选取最大相关度摘要所对应的情景标签作为文档激活主题s的情景语义状态，形成“文本_激活主题-情景标签”二兀组。[0025]进一步的，本发明步骤4中构建用户文本兴趣主题画像的具体步骤如下：[0026]第一步，统计当前情景模式下数据库中所有文本主题树中的主题频次；[0027]第二步，计算每篇文档的主题频率TF和逆文档频率IDF，其中TF=CmRn表示当前用户兴趣情景模式下每篇文档中激活主题的频次与当前文档中激活主题总词频的比值；IDF=IogSN为数据库中总文档数与包含当前用户兴趣情景状态下激活主题的文档数比值，再取对数值之后的结果；[0028]第三步，计算融合用户情感语义辨析的兴趣主题语义权重Cw,i，按下式计算：[0029][0030]将每篇文档的主题语义权重映射到网格主题属性单元组中，构建用户文本兴趣主题画像。[0031]进一步的，本发明步骤6中采用的用户查询兴趣画像的具体步骤如下：[0032]第一步，根据伪相关反馈原理获取反馈文档以及相应的文档主题树；[0033]第二步，根据用户当前设定的情景状态对原文档主题树进行主题过滤，筛选掉与用户当前情景状态不相关的主题，留下用户感兴趣的主题树；统计用户兴趣主题树中各主题出现的频次并做归一化处理作为用户初始兴趣激活值，将激活值映射到网格主题节点的属性标签中；[0034]第三步，根据网格模型中各主题节点之间的关系类型，对初始激活兴趣主题进行语义激活扩散，挖掘用户当前情景状态下的潜在兴趣主题节点，并计算其全局激活值；[0035]网格扩散公式为：[0036][0037]其中，Q1沩主题网格模型中所有以主题节点j为目的节点和以与节点j相关的主题节点i为源节点的主题路径集合，I1t为t时刻网格模型中各潜在主题节点的激活属性值，Ojt+Ι为t+Ι时刻网格模型中全局主题节点的激活属性值，Wij为激活主题与潜在主题在当前情景状态下的联想关联值，α为衰减因子，设置为0.75,联想路径长度设置为3。[0038]第四步，将主题全局激活值映射到网格主题属性单元组中，构建用户查询兴趣主题画像。[0039]进一步的，本发明的步骤7中利用余弦相似度公式计算用户文本兴趣网格画像与用户查询兴趣网格画像的语“±或”相关度，公式表示如下：[0040][0041]其中，「为用户文本兴趣网格画像，为用户查询兴趣网格画像。[0042]本发明能够应用于所有基于文本检索的推荐系统，其有益效果如下：[0043]1.本发明在用户端，面对用户提交的查询内容，采用基于情景语义辨析的一次反馈主题学习方法和二次语义激活扩散的主题扩展方法，解决了用户查询语义相关度和潜在兴趣挖掘问题；[0044]2.本发明在文档端，根据深度语义网格模型自动推理文档主题以及主题的情景语义特性，实现文本主题自动抽取和深层兴趣语义挖掘功能。附图说明[0045]图1为本发明一种基于深度语义辨析的文本推荐方法较佳实施例的流程图。[0046]图2为图1所示方法中步骤SlOO的具体流程图。[0047]图3为图1所示方法中步骤S102的具体流程图。[0048]图4为图1所示方法中步骤S103的具体流程图。[0049]图5为图1所示方法中步骤S104的具体流程图。[0050]图6为用户不同兴趣内容输入条件下，深度语义推荐方法与传统语义推荐方法在系统排序分RS上的对比。具体实施方式[0051]本发明提供了一种基于深度语义辨析的文本推荐方法，以下结合附图和具体实施例对本发明作进一步详细说明。[0052]图1为本发明一种基于深度语义辨析的文本推荐方法较佳实施例的流程图，如图所示，其实施步骤为：[0053]S100、构建一种基于类脑“分层-发散”思考模式的深度语义网格模型；[0054]SlOl、用户输入感兴趣的内容并且设定当前的情景状态；[0055]S102、对文本进行主题推理以及主题情景语义辨析，构建文本主题树，并根据当前用户的情景状态对文档主题树进行主题语义筛选，从而构建融合情景语义筛选的文本主题树；[0056]S103、利用TF-IDF算法统计数据库中所有经过情景语义筛选后的文本主题树，计算主题的权重值并映射到相应的网格主题节点中，从而为每篇文档构建出用户文本兴趣画像；[0057]S104、根据伪相关反馈方法抽取出与用户查询内容相关的文档以及相应的情景语义筛选后的文本主题树，统计反馈树中主题的频次并做归一化处理得到初始兴趣主题激活值;利用激活扩散机制计算反馈学习下初始兴趣网格主题与潜在兴趣网格主题的全局动态激活值，将计算结果赋值给网格模型中相应的主题节点，构建融合当前情景语义的用户查询兴趣画像；[0058]S105、通过基于网格的余弦相似度算法计算当前情景模式下用户文本兴趣画像与用户查询兴趣画像的语义相似度并进行评分；[0059]S106、根据模型的相关度评分由大到小进行排序，生成推荐列表，为用户推荐感兴趣文档。[0060]进一步，如图2所示，所述步骤SI00具体包括：[0061]SOOl、选取具有多领域融合的分类本体，利用Stanford大学的自然语言处理工具对本体中主题作语义拆分和词性还原处理得到核心主题集，按照本体的记忆特性将核心主题连接成发散的网格模型；[0062]S002、构建“网格主题-同义词袋”语义映射模型，“主题”代表分层网格模型中核心主题，“词袋”是通过抽取上述主题在WordNet词典中的同义术语集合组成；[0063]S003、遍历DBpedia知识库中“主题-标签-摘要”三元组，将三元组中主题与“主题-词袋”模型中术语进行匹配，并将网格主题与DBpedia主题之间进行映射，用语义相关关系类型进彳丁关联；[0064]S004、抽取DBpedia知识库中匹配主题对应的标签和摘要数据，以“分层-记忆”网格模型为骨架，实现“同义词袋-网格主题-DBpedia主题-标签-摘要”融合的“发散-深层”语义网格模型。[0065]进一步，如图3所示，所述步骤S102具体包括：[0066]S201、利用网格模型中“主题-词袋”的语义关联性，对文本术语进行关键词匹配，若词袋中术语在文本中出现，则该主题被激活并将对应的网格节点属性设置为“1”，实现文本浅层语义主题挖掘功能；[0067]S202、根据深度语义网格模型的“联想-记忆”特性，将分散的主题构建成文本主题树；[0068]S203、对文档主题进行情景状态辨析，具体步骤如下：[0069]第一步，生成文档中激活主题s动态跨度加窗后上下文的术语集合，Keys;[0070]第二步，生成DBpedia知识库中激活主题s所对应的不同情景标签m下摘要的术语集合，Tm,s;统计情景标签下的摘要术语个数，Nm;[0071]第三步，根据以下公式计算主题情景语义相似度：[0072]，其中counterTm,s,Keys表示集合Tm,s与Keys中术语的共现频次；[0073]第四步，选取最大相关度摘要所对应的情景标签作为文档激活主题s的情景语义状态，形成“文本_激活主题-情景标签”二兀组。[0074]进一步，如图4所示，所述步骤S103具体包括：[0075]S301、统计当前情景模式下数据库中所有文本主题树中的主题频次；[0076]S302、计算每篇文档的主题频率TF和逆文档频率IDF，其中TF=CmRn表示当前用户兴趣情景模式下每篇文档中激活主题的频次与当前文档中激活主题总词频的比值；IDF=logSN为数据库中总文档数与包含当前用户兴趣情景状态下激活主题的文档数比值，再取对数值之后的结果；[0077]S303、计算融合用户情感语义辨析的兴趣主题语义权重Cw,i，按下式计算：[0078]Cw,i=TFi*IDFii=1,2,-",n,[0079]将每篇文档的主题语义权重映射到网格主题属性单元组中，构建用户文本兴趣主题画像。[0080]进一步，如图5所示，所述步骤Sl04具体包括：[0081]S401、根据伪相关反馈原理获取反馈文档以及相应的文档主题树；[0082]S402、根据用户当前设定的情景状态对原文档主题树进行主题过滤，筛选掉与用户当前情景状态不相关的主题，留下用户感兴趣的主题树；统计用户兴趣主题树中各主题出现的频次并做归一化处理作为用户初始兴趣激活值，将激活值映射到网格主题节点的属性标签中；[0083]S403、根据网格模型中各主题节点之间的关系类型，对初始激活兴趣主题进行语义激活扩散，挖掘用户当前情景状态下的潜在兴趣主题节点，并计算其全局激活值；[0084]网格扩散公式为：[0085][0086]其中，为主题网格模型中所有以主题节点j为目的节点和以与节点j相关的主题节点i为源节点的主题路径集合，I1t为t时刻网格模型中各潜在主题节点的激活属性值，Ojt+Ι为t+Ι时刻网格模型中全局主题节点的激活属性值，Wij为激活主题与潜在主题在当前情景状态下的联想关联值，α为衰减因子，设置为0.75,联想路径长度设置为3。[0087]S404、将主题全局激活值映射到网格主题属性单元组中，构建用户查询兴趣主题画像。[0088]进一步，根据所述步骤S105,利用余弦相似度公式计算用户文本兴趣网格画像与用户查询兴趣网格画像的语“±或”相关度，公式表示如下：[0089][0090]其中，为用户文本兴趣网格画像，q={〇ι，〇2，···，〇η}为用户查询兴趣网格画像。[0091]本发明在用户的查询与文档主题学习过程中应用情景语义辨析技术来提高推荐文档的相关性，进而更加智慧的推荐文档，能够有效的降低相似但不相关文档对推荐结果的影响，提升推荐系统的语义相关性，进而找出用户真正的个人兴趣所向，提升推荐系统的准确性与个性化辨析的能力。[0092]下面对本发明的基于深度语义辨析的文本推荐方法与传统语义推荐方法进行比较验证，实验参数选取如下:仿真数据集选取于PubMed数据库中2005年的文档数据，其中包含了26000多篇生物医学方面的论文摘要。深层语义网格模型由ACMDigitalLibrary全文数据库中的本体与DBpedia知识库构建。文本处理工具采用斯坦福大学自然语言处理组提供的一系列开源的Java文本分析工具。[0093]验证本发明对推荐系统排序准确度的影响，实验结果如下所示：[0094]图6为用户不同兴趣内容输入条件下，传统语义推荐方法与深度语义推荐方法在系统排序分RS上的对比。其中，传统语义推荐方法代表没有情景语义辨析的浅语义推荐方法，深度语义推荐方法代表本发明提出的方法;通过图6可以看到，在5次实验情况下，本发明的排序分值一直低于传统语义推荐的方法。因为排序分值越小，说明系统越趋向于把用户喜欢的商品排在前面，因此，实验结果说明本发明提出的方法具有更好的推荐效果。[0095]应当说明的是，本发明的保护范围包括但不限于上述的举例，对本领域普通技术人员来说，根据上述说明进行的任何改进或变换都应落入本发明保护范围之内。

权利要求：1.一种基于深度语义辨析的文本推荐方法，其特征在于，所述文本推荐方法包含如下步骤：步骤1:基于类脑“分层-发散”思考模式构建深度语义网格模型；步骤2:结合“网格主题-同义词袋”模型和词匹配技术推理文本的网格主题集，利用网格模型的“联想-记忆”功能将分散的主题联结，然后利用情景语义分析功能推理不同激活主题在当前文本下的情景标签，最后构建融合多种情景语义以及记忆联结的文本主题树；步骤3:根据用户兴趣对文本主题树进行剪枝处理，即过滤掉不符合用户当前情景状态的主题和关系，从而构建基于情景语义筛选的文本主题树；步骤4:利用TF-IDF算法统计数据库中所有经过情景语义筛选后的文本主题树，计算主题的权重值并映射到相应的网格主题节点中，为每篇文档构建出用户文本兴趣画像；步骤5:根据伪相关反馈方法抽取出与用户查询内容相关的文档以及相应的情景语义筛选后的文本主题树，统计反馈树中主题的频次并做归一化处理得到初始兴趣主题激活值；步骤6:利用激活扩散机制计算反馈学习下初始兴趣网格主题与潜在兴趣网格主题的全局动态激活值，将计算结果赋值给网格模型中相应的主题节点，构建融合当前情景语义的用户查询兴趣画像；步骤7:利用基于网格的余弦相似度计算方法，为用户查询兴趣画像和用户文本兴趣画像之间的深度语义相关度进行评分，并生成推荐列表进行推荐。2.如权利要求1所述的一种基于深度语义辨析的文本推荐方法，其特征在于，步骤1中所述的深度语义网格模型是依据类脑“分层-发散”思维模式构建的，所述构建过程具体包括：第一步，选取具有多领域融合的分类本体，利用Stanford大学的自然语言处理工具对本体中主题作语义拆分和词性还原处理得到核心主题集，按照本体的记忆特性将核心主题连接成发散的网格模型；第二步，构建“网格主题-同义词袋”语义映射模型，“主题”代表分层网格模型中核心主题，“词袋”是通过抽取上述主题在WordNet词典中的同义术语集合组成。若“主题-词袋”模型中术语在文本中出现，则该主题被激活并将对应的网格节点属性设置为“1”，实现文本浅层语义主题挖掘功能；第三步，遍历DBpedia知识库中“主题-标签-摘要”三元组，将三元组中主题与“主题-词袋”模型中术语进行匹配并抽取知识库中匹配主题对应的标签和摘要数据，将“网格主题-DBpedia主题-标签-摘要”逐层映射，并用语义相关关系类型进行关联；第四步，以“分层-记忆”网格模型为骨架，实现“同义词袋-网格主题-DBpedia主题-标签-摘要”融合的“发散-深层”语义网格模型。3.如权利要求1所述的一种基于深度语义辨析的文本推荐方法，其特征在于，步骤2中采用了基于DBpedia知识库的主题情景语义辨析方法，所述语义辨析方法的具体步骤如下：第一步，生成文档中激活主题s动态跨度加窗后上下文的术语集合，Keys。第二步，生成DBpedia知识库中激活主题s所对应的不同情景标签m下摘要的术语集合，Tm,s;统计情景标签下的摘要术语个数，Nm。第三步，根据以下公式计算主题情景语义相似度：，其中counterTm,s，Keys表示集合Tm,^Keys中术语的共现频次。第四步，选取最大相关度摘要所对应的情景标签作为文档激活主题s的情景语义状态，形成“文本-激活主题-情景标签”三元组。4.如权利要求2所述的一种基于深度语义辨析的文本推荐方法，其特征在于，步骤4中构建用户文本兴趣主题画像的具体步骤如下：第一步，统计当前情景模式下数据库中所有文本主题树中的主题频次；第二步，计算每篇文档的主题频率TF和逆文档频率IDF，其中TF=CmRn表示当前用户兴趣情景模式下每篇文档中激活主题的频次与当前文档中激活主题总词频的比值;IDF=IogSN为数据库中总文档数与包含当前用户兴趣情景状态下激活主题的文档数比值，再取对数值之后的结果；第三步，计算融合用户情感语义辨析的兴趣主题语义权重Cw,i，按下式计算：将每篇文档的主题语义权重映射到网格主题属性单元组中，构建用户文本兴趣主题画像。5.如权利要求2所述的一种基于深度语义辨析的文本推荐方法，其特征在于，步骤6中用户查询兴趣画像的具体步骤如下：第一步，根据伪相关反馈原理获取反馈文档以及相应的文档主题树；第二步，根据用户当前设定的情景状态对原文档主题树进行主题过滤，筛选掉与用户当前情景状态不相关的主题，留下用户感兴趣的主题树；统计用户兴趣主题树中各主题出现的频次并做归一化处理作为用户初始兴趣激活值，将激活值映射到网格主题节点的属性标签中；第三步，根据网格模型中各主题节点之间的关系类型，对初始激活兴趣主题进行语义激活扩散，挖掘用户当前情景状态下的潜在兴趣主题节点，并计算其全局激活值；网格扩散公式为：其中，为主题网格模型中所有以主题节点j为目的节点和以与节点j相关的主题节点i为源节点的主题路径集合，I1⑴为t时刻网格模型中各潜在主题节点的激活属性值，Ojt+1为t+Ι时刻网格模型中全局主题节点的激活属性值，Wlj为激活主题与潜在主题在当前情景状态下的联想关联值，α为衰减因子，设置为0.75,联想路径长度设置为3。第四步，将主题全局激活值映射到网格主题属性单元组中，构建用户查询兴趣主题画像。6.如权利要求1所述的一种基于深度语义辨析的文本推荐方法，其特征在于，所述步骤7中采用了基于网格的余弦相似度计算方法，所述方法利用余弦相似度公式计算用户文本兴趣网格画像与用户查询兴趣网格画像的语“±或”相关度，公式表示如下：其中，为用户文本兴趣网格画像，q={〇ι，〇2，···，〇η}为用户查询兴趣网格画像。

百度查询： 北京工业大学 一种基于深度语义辨析的文本推荐方法