融合用户微博兴趣挖掘与协同过滤的新闻推荐研究
发布时间：2021-11-07 17:35
互联网作为信息的高速公路经历了快速的发展,而在发展过程中带来的“信息爆炸”严重影响着用户使用互联网的体验,高效的信息检索要求下推荐系统应运而生。推荐系统利用已有的数据信息通过各种算法推测并推荐给用户可能感兴趣的项目,再通过用户对推荐项目的反馈调整推荐方向,不断优化推荐系统。在实际应用中,推荐系统中新用户基于内容推荐的“冷启动”和潜在兴趣缺失问题随之出现。在推荐系统中引入用户外部已有信息数据是解决新用户冷启动和潜在兴趣缺失问题的方案之一,由于个人社交媒体（微博）信息的公开性、精确性和信息多样性被广泛研究应用于个性化推荐系统。与此同时,协同过滤算法利用用户群体集与项目集之间进行交互行为来进行推荐,其作为解决推荐多样性不足且富有新颖性的推荐方法被广泛研究。近年来关于对社交媒体的研究越来越多,研究者通过分析社交媒体进行热点新闻预测、舆论分析、个性化推荐和社区发现等研究。通过挖掘社交媒体信息,给社会化各群体以用户画像,经过个体的个人信息、微博发文、转发和评论等信息分析的个人用户画像作为个性化推荐的基础。在本文中,通过研究微博媒体结构来实现对个体用户的兴趣挖掘,并使用挖掘的用户兴趣集作为基于内容新...
【文章来源】：广东工业大学广东省
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
图２－１挖掘模型示意图??Ｆｉｇ．２－１?Ｍｉｎｉｎｇ?ｍｏｄｅｌ?ｄｉａｇｒａｍ??
全部分词会造成高时间复杂度，所以通过将新闻分类可以大大降低计算时间，提高??推荐效率。本文采用卷积神经网络模型（ＣＮＮ）实现新闻文本的分类［５（）］。ｔｅｘｔＣＮＮ分??类模型如图４－１所示：??Ｍｉｌｌ??Ｉ?－１—１——１—１－?■＋—??杭州｜｜?Ｉ?Ｉ?ＩＩ?二卜、Ｉ??西湖＝二二二二－ｒ??走二Ｌｉ－ｚ?、系?Ａ??星?一＇—ｗ?一，一，??的???＾?■？—．．．．．??圣地??｜?｜?｜?｜?｜?［?｜?｜??ｎ?ｘ?ｋ阶矩阵表示句子分词異有多个滤波器宽度池化层全连接层，ｓｏｆｔｍａｘ??和特征映射的卷拐层?输出??图４－１用于实例句子ｔｅｘｔＣＮＮ模型图??Ｆｉｇ．４－１?Ｆｏｒ?ｅｘａｍｐｌｅ?ｓｅｎｔｅｎｃｅ?ｔｅｘｔＣＮＮ?ｍｏｄｅｌ?ｄｉａｇｒａｍ??图中分别是嵌入层、卷积层、池化层、全连接层。嵌入层将一篇新闻文本中的??句子分割为单词，并词向量化，嵌入层将文本转化为权值矩阵，每个单词转化为词??向量矩阵，由此得到一个ＮＸＫ的矩阵Ｍ，其中每一行代表一个词向量，此矩阵可??以是静态的，也可以是动态的；卷积层将嵌入层看作输入层，通过卷积操作将嵌入??层输入矩阵中每个词向量矩阵卷积成一维矩阵，将嵌入矩阵卷积为多个特征面，其??２１??
闻集Ｂ中次数最多的新闻集，得到最终推荐给目标用户的候选新闻集??Ｃ。??本文融合用户兴趣挖掘与协同过滤的新闻推荐算法的示意图如图４－２所示：??ｇ微博＾■互綱ｊ?＾取―％卿＾＾??遍挖??＜＇掘，＞?＿１数＊据集??ｉ用户?Ｕ：?Ｖ评?Ｄ｜ｉ｛ｄｕｌ，ｄｕ２．＂ｄｕｍ｝??用户社交兴趣集?新闻集?论新闻集Ｄ｜／｛ｄｖｉ，ｄｖ２＂．ｄｖｍ｝??Ｕｆｐ｛（ｗ１，ｖ１）＃（ｗ２＃ｖ?ｊ｛（Ｎｉｉ，Ｗｉｉ），（Ｎｉ２，??２）？．（ｗｉ，ｖｊ）｝?Ｗｉ２）？．（Ｎｉｋ／Ｗｉｋ）｝?行为相＾??－（咏囉?＞??荐歹ｐ?Ｉ候选新??＼法多沙（Ｗ》???Ａ??最终推荐列表??图４－２推荐框架图??Ｆｉｇｕｒｅ?４－２?Ｒｅｃｏｍｍｅｎｄｅｄ?ｆｒａｍｅ?ｄｉａｇｒａｍ??图４－２各模块的功能如下：??１）兴趣挖掘模块。如本文章节２．３所述，用户微博中的数据有如文本、图片、视频、??标签、关注者和粉丝等各种数据。本模块主要针对文本、标签、关注者、转发和评??论数据进行挖掘用来构建用户兴趣集
【参考文献】：
期刊论文
[1]基于背景和内容的微博用户兴趣挖掘[J]. 仲兆满,管燕,胡云,李存华. 软件学报. 2017(02)
[2]一种结合关联规则的协同过滤推荐算法[J]. 陈平华,陈传瑜,洪英汉. 小型微型计算机系统. 2016(02)
[3]基于内容的推荐与协同过滤融合的新闻推荐方法[J]. 杨武,唐瑞,卢玲. 计算机应用. 2016(02)
[4]基于微博用户模型的个性化新闻推荐[J]. 古万荣,董守斌,曾之肇,何锦潮,刘崇. 中文信息学报. 2016(01)
[5]移动新闻推荐技术及其应用研究综述[J]. 孟祥武,陈诚,张玉洁. 计算机学报. 2016(04)
[6]推荐引擎原理及发展综述[J]. 刘杨,杨明川. 电信技术. 2015(06)
[7]微博网络上的重叠社群发现与全局表示[J]. 胡云,王崇骏,吴骏,谢俊元,李慧. 软件学报. 2014(12)
[8]基于用户主题模型的微博用户兴趣挖掘(英文)[J]. 何力,贾焰,韩伟红,丁兆云. 中国通信. 2014(08)
[9]微博用户的相似性度量及其应用[J]. 徐志明,李栋,刘挺,李生,王刚,袁树仑. 计算机学报. 2014(01)
硕士论文
[1]基于用户评价的专家推荐系统设计与实现[D]. 韩旺阳.东南大学 2017
[2]结合用户属性与自然最近邻的个性化推荐算法的研究[D]. 王颖.重庆师范大学 2017
[3]基于动态集成方法的混合推荐系统研究[D]. 杨文龙.山东大学 2015
本文编号：3482268
【文章来源】：广东工业大学广东省
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
图２－１挖掘模型示意图??Ｆｉｇ．２－１?Ｍｉｎｉｎｇ?ｍｏｄｅｌ?ｄｉａｇｒａｍ??
全部分词会造成高时间复杂度，所以通过将新闻分类可以大大降低计算时间，提高??推荐效率。本文采用卷积神经网络模型（ＣＮＮ）实现新闻文本的分类［５（）］。ｔｅｘｔＣＮＮ分??类模型如图４－１所示：??Ｍｉｌｌ??Ｉ?－１—１——１—１－?■＋—??杭州｜｜?Ｉ?Ｉ?ＩＩ?二卜、Ｉ??西湖＝二二二二－ｒ??走二Ｌｉ－ｚ?、系?Ａ??星?一＇—ｗ?一，一，??的???＾?■？—．．．．．??圣地??｜?｜?｜?｜?｜?［?｜?｜??ｎ?ｘ?ｋ阶矩阵表示句子分词異有多个滤波器宽度池化层全连接层，ｓｏｆｔｍａｘ??和特征映射的卷拐层?输出??图４－１用于实例句子ｔｅｘｔＣＮＮ模型图??Ｆｉｇ．４－１?Ｆｏｒ?ｅｘａｍｐｌｅ?ｓｅｎｔｅｎｃｅ?ｔｅｘｔＣＮＮ?ｍｏｄｅｌ?ｄｉａｇｒａｍ??图中分别是嵌入层、卷积层、池化层、全连接层。嵌入层将一篇新闻文本中的??句子分割为单词，并词向量化，嵌入层将文本转化为权值矩阵，每个单词转化为词??向量矩阵，由此得到一个ＮＸＫ的矩阵Ｍ，其中每一行代表一个词向量，此矩阵可??以是静态的，也可以是动态的；卷积层将嵌入层看作输入层，通过卷积操作将嵌入??层输入矩阵中每个词向量矩阵卷积成一维矩阵，将嵌入矩阵卷积为多个特征面，其??２１??
闻集Ｂ中次数最多的新闻集，得到最终推荐给目标用户的候选新闻集??Ｃ。??本文融合用户兴趣挖掘与协同过滤的新闻推荐算法的示意图如图４－２所示：??ｇ微博＾■互綱ｊ?＾取―％卿＾＾??遍挖??＜＇掘，＞?＿１数＊据集??ｉ用户?Ｕ：?Ｖ评?Ｄ｜ｉ｛ｄｕｌ，ｄｕ２．＂ｄｕｍ｝??用户社交兴趣集?新闻集?论新闻集Ｄ｜／｛ｄｖｉ，ｄｖ２＂．ｄｖｍ｝??Ｕｆｐ｛（ｗ１，ｖ１）＃（ｗ２＃ｖ?ｊ｛（Ｎｉｉ，Ｗｉｉ），（Ｎｉ２，??２）？．（ｗｉ，ｖｊ）｝?Ｗｉ２）？．（Ｎｉｋ／Ｗｉｋ）｝?行为相＾??－（咏囉?＞??荐歹ｐ?Ｉ候选新??＼法多沙（Ｗ》???Ａ??最终推荐列表??图４－２推荐框架图??Ｆｉｇｕｒｅ?４－２?Ｒｅｃｏｍｍｅｎｄｅｄ?ｆｒａｍｅ?ｄｉａｇｒａｍ??图４－２各模块的功能如下：??１）兴趣挖掘模块。如本文章节２．３所述，用户微博中的数据有如文本、图片、视频、??标签、关注者和粉丝等各种数据。本模块主要针对文本、标签、关注者、转发和评??论数据进行挖掘用来构建用户兴趣集
【参考文献】：
期刊论文
[1]基于背景和内容的微博用户兴趣挖掘[J]. 仲兆满,管燕,胡云,李存华. 软件学报. 2017(02)
[2]一种结合关联规则的协同过滤推荐算法[J]. 陈平华,陈传瑜,洪英汉. 小型微型计算机系统. 2016(02)
[3]基于内容的推荐与协同过滤融合的新闻推荐方法[J]. 杨武,唐瑞,卢玲. 计算机应用. 2016(02)
[4]基于微博用户模型的个性化新闻推荐[J]. 古万荣,董守斌,曾之肇,何锦潮,刘崇. 中文信息学报. 2016(01)
[5]移动新闻推荐技术及其应用研究综述[J]. 孟祥武,陈诚,张玉洁. 计算机学报. 2016(04)
[6]推荐引擎原理及发展综述[J]. 刘杨,杨明川. 电信技术. 2015(06)
[7]微博网络上的重叠社群发现与全局表示[J]. 胡云,王崇骏,吴骏,谢俊元,李慧. 软件学报. 2014(12)
[8]基于用户主题模型的微博用户兴趣挖掘(英文)[J]. 何力,贾焰,韩伟红,丁兆云. 中国通信. 2014(08)
[9]微博用户的相似性度量及其应用[J]. 徐志明,李栋,刘挺,李生,王刚,袁树仑. 计算机学报. 2014(01)
硕士论文
[1]基于用户评价的专家推荐系统设计与实现[D]. 韩旺阳.东南大学 2017
[2]结合用户属性与自然最近邻的个性化推荐算法的研究[D]. 王颖.重庆师范大学 2017
[3]基于动态集成方法的混合推荐系统研究[D]. 杨文龙.山东大学 2015
本文编号：3482268
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3482268.html
