个性化微博推荐方法研究

发布时间：2017-04-02 12:09

  本文关键词：个性化微博推荐方法研究，，由笔耕文化传播整理发布。

【摘要】：随着Web 2.0时代的出现,社交网络推陈出新,极大地改变了人们的网络使用习惯。传统网络服务中用户只能被动地浏览网络页面,而社交网络成为有着相似兴趣、背景的用户在互联网上进行交互和协作的一种信息传播机制。因此,社交网络吸引到了大量用户,同时使得社交网络的数据不断丰富起来,深入挖掘出这些数据隐含的潜在价值对于知识获取、决策支持等具有重要意义。推荐系统是通过研究用户已有数据来发掘用户兴趣,从而为用户推荐可能感兴趣的对象,如产品、网页、微博等。目前,推荐系统已在电子商务、企业推荐引擎服务以及各种网站、社交平台得到广泛的应用。协同过滤作为推荐系统的一种主要算法,相对于传统的文本过滤在商业应用上获得了更为不错的成效。当前,微博已经成长为世界上最有影响力的社交网络服务之一。随着微博的流行,微博上大量的数据也使得用户无法快速获取他感兴趣的信息。本文主要研究了基于新浪微博的微博推荐问题。我们在对国内外相关方法研究对比的基础上,介绍对比了推荐系统及其主要推荐技术,特别是协同过滤推荐方法。本文从影响用户兴趣度的隐性因素(因子)和显性因素,以及微博互联网中的数据采集和预处理等角度对微博推荐进行研究。本文首先使用矩阵分解对隐性因素建模,在已有用户与微博、用户与微博发布者影响因素的基础上[1],提出微博与微博发布者影响因素,提高了原算法的准确度,之后又提出了基于张量分解模型的隐因子建模方法,实现了更高的预测准确度。
【关键词】：微博推荐 协同过滤 矩阵分解 张量分解
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.3;TP393.092
【目录】：

• 摘要5-6
• Abstract6-9
• 第一章 绪论9-17
• 1.1 研究背景和选题意义9-12
• 1.1.1 研究背景9-11
• 1.1.2 选题意义11-12
• 1.2 微博个性化推荐系统研究现状12-14
• 1.2.1 个性化推荐系统12
• 1.2.2 微博个性化推荐系统12-14
• 1.3 本文的研究对象和主要工作内容14-15
• 1.4 论文的结构安排15-16
• 1.5 本章小结16-17
• 第二章 个性化推荐系统及其核心技术17-23
• 2.1 个性化推荐系统概述17
• 2.2 个性化推荐系统的相关技术17-22
• 2.2.1 基于内容的推荐方法17-19
• 2.2.2 基于协同过滤的推荐方法19-21
• 2.2.3 复合型推荐方法21-22
• 2.3 本章小结22-23
• 第三章 基于协同排序的微博推荐算法23-35
• 3.1 微博协同排序方法概述23-24
• 3.2 数据源分析24
• 3.3 微博排序优化准则24-25
• 3.4 基于显性因素的协同排序25-28
• 3.4.1 用户关系显性因素提取26
• 3.4.2 用户历史行为显性因素提取26-27
• 3.4.3 微博内容显性因素提取27
• 3.4.4 微博发布者权威显性因素提取27-28
• 3.5 基于隐性因素的协同排序28-33
• 3.5.1 基于矩阵的隐性因子分解模型28-31
• 3.5.2 基于张量的隐性因子分解模型31-33
• 3.6 本章小节33-35
• 第四章 数据获取与实验评估35-48
• 4.1 网络爬虫35-39
• 4.1.1 基于scrapy的并行爬虫设计35-37
• 4.1.2 微博模拟登录37-38
• 4.1.3 微博异步数据加载38
• 4.1.4 快速消重算法38-39
• 4.2 数据预处理39-41
• 4.2.1 原始数据集39-40
• 4.2.2 数据集的划分和预处理40-41
• 4.3 评价标准41
• 4.4 方法对比41-42
• 4.5 实验结果与分析42-47
• 4.6 参数设置47
• 4.7 本章小节47-48
• 第五章 总结与展望48-49
• 参考文献49-52
• 攻读硕士学位期间取得的研究成果52-53
• 致谢53-54
• 附件54

【参考文献】

中国期刊全文数据库 前1条

1 孙立伟;何国辉;吴礼发;;网络爬虫技术的研究[J];电脑知识与技术;2010年15期

  本文关键词：个性化微博推荐方法研究，由笔耕文化传播整理发布。

本文编号：282463