基于微博的个性化推荐问题研究

发布时间：2017-09-25 09:03

  本文关键词：基于微博的个性化推荐问题研究

  更多相关文章： 用户兴趣 主题模型 个性化推荐

【摘要】：随着互联网及计算机技术的快速发展，信息时代面临着严重的信息过载问题，这就要求通过技术手段过滤无关信息，仅为用户提供其感兴趣的信息，以实现信息的个性化推荐。如何有效地挖掘用户的个性化兴趣，是实现个性化推荐的关键所在。 近年来，随着微博的快速发展和广泛应用，微博已成为一种重要的社会化媒体。微博是以兴趣相近为纽带组成的网络社交平台，用户的兴趣、行为等都可通过其微博透露。微博凭借内容简洁性、终端扩展性、平台开放性和低门槛等特性迅速赢得网民青睐，已发展成为个人表达与社会交往，事件参与和内容分享的重要平台，深刻影响了经济社会的发展。因此，深入研究用户微博，挖掘用户的个性化兴趣，将为个性化推荐提供一种潜在的途径和渠道。 微博有明显区别于其它社会网络之处，其特点有社会媒体性、大规模、噪音数据多样、非线性、快速传播演化、以及多关系，必须采用与其它社会网络的不同方式来进行分析挖掘。本文以用户兴趣挖掘为目标，针对微博内容的时效性、微博兴趣的社交特性以及用户兴趣的更新性等问题进行深入研究，本文的主要创新点及贡献如下： (1)针对微博内容的时效性问题，提出一种基于微博的T-LDA用户自身兴趣挖掘算法,有效地解决了随着时间用户兴趣会发生迁移，可能不再关注原来的兴趣的问题。 本文提出一种时间敏感的T-LDA算法，该算法主要从三个方面挖掘用户自身兴趣，，其一是用户长期兴趣，即长时间内用户微博内容中反复涉及的主题信息；其二是用户近期兴趣，即用户在近期内其微博内容中涉及的之前没有的主题信息；其三是用户的过期兴趣。综合考虑兴趣主题的时间和权重，挖掘用户自身兴趣。实验结果表明，该算法能挖掘出用户更满意的自身兴趣主题。 (2)针对微博兴趣的社交特性，提出一种基于用户社交圈兴趣挖掘算法FInterest，有效解决了用户社交兴趣没有得到关注的问题。 本文提出一种FInterest用户关注人兴趣挖掘算法，该算法首先对用户关注人进行分析，得出用户特别关注人列表，其次着重挖掘用户特别关注人的长期兴趣，它代表关注人长期稳定的兴趣范畴；最后挖掘所有用户关注人的即时兴趣，代表用户兴趣发生迁移的可能兴趣范畴。实现了用户社交兴趣的有效关注。实验结果表明， FInterest算法来进行挖掘用户关注人兴趣可以更有效的获取用户兴趣主题。 (3)针对不能及时获取最新用户兴趣的问题，提出一种引入评价反馈机制的用户兴趣模型更新算法，解决了不能及时更新用户反馈的问题。 本文提出一种引入评价反馈机制的用户兴趣模型更新算法，该算法通过让用户对系统所推荐的信息进行评分反馈或链接阅读反馈，记录下每个链接对应主题，然后对对应用户主题进行推荐值增益或消减，有效实现了用户反馈的及时更新。实验结果表明，引入评价反馈机制的用户兴趣模型挖掘更能挖掘跟踪用户最新兴趣迁移动向，获取更真实的用户兴趣，也更精确地实现了信息个性化推荐。 本论文深入分析微博的特点，针对其内容的时效性、微博兴趣的社交特性以及用户兴趣的更新性等问题进行相关研究，通过实验结合利用新浪微博开放平台以及豆瓣网开放平台，对设计的相关算法进行验证和测试，为开展基于微博的个性化推荐研究奠定坚实的理论基础。
【关键词】：用户兴趣 主题模型 个性化推荐
【学位授予单位】：山东师范大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.3;TP393.092
【目录】：

• 摘要6-8
• ABSTRACT8-11
• 第一章 绪论11-16
• 1.1 研究背景及意义11-13
• 1.2 微博研究面临的问题13
• 1.3 主要研究内容及创新点13-14
• 1.4 论文的组织结构14-16
• 第二章 相关研究工作16-30
• 2.1 个性化推荐方法16-19
• 2.1.1 基于内容的推荐16-17
• 2.1.2 协同过滤推荐17-19
• 2.1.3 混合方式推荐19
• 2.2 基于微博的推荐研究19-23
• 2.2.1 微博内容19-20
• 2.2.2 微博特点20
• 2.2.3 微博主题挖掘研究20-22
• 2.2.4 用户兴趣模型表示方法22-23
• 2.3 推荐系统评价方式23-26
• 2.3.1 用户满意度23-24
• 2.3.2 预测准确度24-25
• 2.3.3 覆盖率25
• 2.3.4 其它评价方式25-26
• 2.4 个性化推荐的商业网络服务26
• 2.5 相关算法26-29
• 2.5.1 TF-IDF 算法26-27
• 2.5.2 Latent Dirichlet Allocation 算法27-29
• 2.6 小结29-30
• 第三章 基于微博的用户兴趣挖掘30-47
• 3.1 微博数据模型表示30-31
• 3.2 用户微博自身兴趣挖掘31-36
• 3.2.1 T-LDA 算法思想34
• 3.2.2 T-LDA 算法步骤34-36
• 3.2.3 T-LDA 兴趣挖掘算法步骤表示36
• 3.3 基于 SNS 的用户微博关注人兴趣挖掘36-40
• 3.3.1 FInterest 算法思想37-38
• 3.3.2 FInterest 算法步骤38-40
• 3.3.3 FInterest 兴趣挖掘算法表示40
• 3.4 实验40-46
• 3.4.1 实验环境40-42
• 3.4.2 实验结果展示42-44
• 3.4.3 实验对比及分析44-46
• 3.5 小结46-47
• 第四章 基于评价反馈的用户兴趣更新47-57
• 4.1 引入评价反馈机制的个性化信息推荐算法47-51
• 4.1.1 算法思想47
• 4.1.2 算法步骤47-51
• 4.2 实验51-56
• 4.2.1 实验环境54
• 4.2.2 实验及结果展示54-55
• 4.2.3 实验对比分析55-56
• 4.3 本章小结56-57
• 第五章 总结与展望57-60
• 5.1 总结57-58
• 5.2 展望58-60
• 参考文献60-64
• 攻读硕士学位期间的主要工作64-65
• 致谢65-66

【参考文献】

中国期刊全文数据库 前10条

1 邢春晓;高凤荣;战思南;周立柱;;适应用户兴趣变化的协同过滤推荐算法[J];计算机研究与发展;2007年02期

2 张晨逸;孙建伶;丁轶群;;基于MB-LDA模型的微博主题挖掘[J];计算机研究与发展;2011年10期

3 王国霞;刘贺平;;个性化推荐系统综述[J];计算机工程与应用;2012年07期

4 应晓敏,刘明,窦文华;一种面向个性化服务的客户端细粒度用户建模方法[J];计算机工程与科学;2003年06期

5 罗辛;欧阳元新;熊璋;袁满;;通过相似度支持度优化基于K近邻的协同过滤算法[J];计算机学报;2010年08期

6 李磊;王丁丁;朱顺痣;李涛;;Personalized News Recommendation:A Review and an Experimental Investigation[J];Journal of Computer Science & Technology;2011年05期

7 陈克寒;韩盼盼;吴健;;基于用户聚类的异构社交网络推荐算法[J];计算机学报;2013年02期

8 徐志明;李栋;刘挺;李生;王刚;袁树仑;;微博用户的相似性度量及其应用[J];计算机学报;2014年01期

9 高明;金澈清;钱卫宁;王晓玲;周傲英;;面向微博系统的实时个性化推荐[J];计算机学报;2014年04期

10 丁兆云;贾焰;周斌;;微博数据挖掘研究综述[J];计算机研究与发展;2014年04期

中国博士学位论文全文数据库 前1条

1 邢星;社交网络个性化推荐方法研究[D];大连海事大学;2013年

本文编号：916520