基于社交网络的新闻推荐方法研究

发布时间：2024-07-10 22:43

　　随着网络信息的快速增长,由于信息过载问题,人们无法从大量的新闻信息中获取到满意或者感兴趣的新闻信息。个性化推荐是缓解网络中信息过载情况的主要途径,通过分析不同用户的兴趣与偏好,考虑彼此之间的相互影响,给相应的用户推荐其感兴趣的内容。国内外学者对推荐算法进行了广泛的研究,其中,凝练的新闻文本的实体表示问题、用户兴趣点动态变化问题、社交网络中影响程度量化问题是影响推荐效果的主要因素。针对以上问题,本文从基于知识图谱的特征量化和结合社交网络结构信息两个方面对新闻推荐方法研究。在基于知识图谱的特征量化方面,针对新闻包含大量实体关系、用户兴趣动态变化等问题,提出一种混合知识图谱嵌入和主题词嵌入的特征量化方法,旨在融合新闻文本的不同视角的特征。该方法不仅能融合新闻文本中实体之间的信息、增强其文本表示在主题方向的侧重,而且可以通过注意力机制量化在时序上不同浏览记录对用户兴趣与偏好的影响程度,从而得到包含更加丰富特征的文本、用户的向量表示。实验结果表明,该方法有效解决了新闻文本的实体表示问题、用户兴趣点动态捕捉问题,提高了预测的准确度。在结合社交网络结构信息方面,针对用户群体之间的存在交互影响,提出一...

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

图１－３?Ｄｅｅｐｌｎｆ模型框架图??Ｆｉｇ．?１－３?ｍｏｄｅｌ?ｆｒａｍｅｗｏｒｋ?ｏｆ?Ｄｅｅｐｌｎｆ??

?出了一种通过结合递归神经网络（＿）和端到端的学习方法预测级联大小的预??测器。Ｍａｔｓｕｂａｒａ等人［１９］通过精心设计从经典的“易感染的’’（ＳＩ）模型扩展的??ＳｐｉｋｅＭ模型，可以简洁灵活的分析影响传播的上升和下降模式。??脸书、微信、微博等己经成为我们日常生活中不可或缺....

图１－４所示是第三章中的基于知识图谱的特征量化与第四章结合社交网络??结构信息的预测推荐方法之间的关系图

的研宄工作分??为基于知识图谱的特征量化和结合社交网络结构信息的预测推荐两个部分。??第三章???????????，?｜?预测推荐结果?｜???！???１?为数据库???主题特征一｜??１????????１?采样策略??ｆｌ?＾??实体特征?文本向量特征——推荐算法模块?￣￣??....

图２＿３注意力机制中的特征转换??Ｆｉｇ．２－３?Ｆｅａｔｕｒｅ?ｃｏｎｖｅｒｓｉｏｎ?ｉｎ?ａｔｔｅｎｔｉｏｎ?ｍｅｃｈａｎｉｓｍ??

?北京化工大学硕士学位论文?；???ＬｅａｋｙＲｕＬＵ激活，注意力系数表示为：??ｎ?＿?ｅｘｐ＾ＬｅａｋｙＲｕＬＵ＾ｌＷｈｌ＾ｗＪＴｊ］））?式ｎ?ｎ、??ｌＪ?ＩｋｅＮｉ?ｅｘｐ（ＬｅａｋｙＲｕＬＵ（ａＴ［Ｗｈｌ＼＼Ｗｈ＾］））?Ｊ?）??其中Ｔ代表矩阵转置，｜｜代表拼接。?....

图２４卷积神经网络结构图??Ｆｉｇ．２－４?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??

?北京化工大学硕士学位论文???２．５社交网络影响??在社交网络中，节点（用户、实体）受到其他各种原因的影响，如何量化这??些社会影响的强度是社交网络影响分析的重点内容。Ｔａｎｇ［ｌ７］等人提出的Ｔｏｐｉｃａｌ??Ａｆｆｉｎｉｔｙ?Ｐｒｏｐａｇａｔｉｏｎ（ＴＡＰ）量化了特定节点上....

本文编号：4004851