中含有大量的短文本。 短文本不同于传统的文本，其携带的语义特征信息密度低，很难对其进行准确的主题挖掘。针对这一问题，提出根据
链结构与基于此改进的LDA主题模型。实验结果表明，相比于标准的LDA模型，本模型的perplexity值更低，即具有较低的预测不确定度。
推荐方法。采用标签检索策略对未加标签和标签较少的用户进行加标,构建用户-标签矩阵,得到用户-标签
维稀疏的问题,通过挖掘标签间的关联关系,继而更新用户-标签矩阵,获得最终的用户兴趣并进行相关推荐。实验结果表明,与忽略标签间关系的
中含有大量的短文本。 短文本不同于传统的文本，其携带的语义特征信息密度低，很难对其进行准确的主题挖掘。针对这一问题，提出根据
链结构与基于此改进的LDA主题模型。实验结果表明，相比于标准的LDA模型，本模型的perplexity值更低，即具有较低的预测不确定度。
推荐方法。采用标签检索策略对未加标签和标签较少的用户进行加标,构建用户-标签矩阵,得到用户-标签
维稀疏的问题,通过挖掘标签间的关联关系,继而更新用户-标签矩阵,获得最终的用户兴趣并进行相关推荐。实验结果表明,与忽略标签间关系的
