基于内容和社交网络的文本推荐系统的研究与实现

发布时间：2021-06-18 00:04

　　推荐模型是近年来互联网技术研究的一个热门趋势。但是传统的基于内容的推荐、基于社交网络的推荐和协同过滤的推荐都有各自的不足。为此,我们提出了基于内容和社交网络的推荐模型（RMBCS）。本文的主要内容有:（一）长-短文本间相似度的计算。目前长-短文本间没有计算相似度的公式,故本文提出了一个生成距离。本文通过对文本的分类、预处理、特征抽取,用特征计算生成距离得到长短文本间的相似度。（二）社交网络中用户最近邻群的选取。在用户数量巨大的系统中,用户最近邻群的选取耗时很多,为能快速便捷的选取用户的最近邻群,本文提出了从用户的社交网络中寻找最近邻群的新方法。（三）基于内容和社交网络的文本推荐系统的设计与实现。将以上两点内容嵌入推荐系统中,通过说明基于内容和社交网络的文本推荐系统的推荐方式,对系统进行需求分析、总体设计,并对系统的各模块进行详细设计,完成了该系统的设计与实现。最后对系统进行了测试。 

【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

图２－１社交网络中用户的入度??８??

于社区的社交网络数据［３５］。??社交网络数据中存在长尾分布，主要根据用户的入度和出度，用户的入度反??映了用户的社会影响力，而用户的出度代表了一个用户关注的用户数［３６：。从图２－??１和图２－２可以看出，一个社交网络中影响力大的用户总是占少数，同时关注很??多人的用户占少数，而绝大多数只关注很少的人［３７］。??ｉｎ?ｄｅｇｒｅｅ??１０００００００??????一????一？？？？？—?—－??１００００００?？？畢??１０００００??????１００００??－—．．．???１〇〇〇??????１００?－－?－??１０＂??ｉ?—－?—．＾“－?－－?—?－－－了—．—????１?１０?１００?１０００?１００００?丨?０００００??图２－１社交网络中用户的入度??８??

滤词等操作，得到处理好的分词结果，同时对这些分词结果使用ＬＤＡ主题模型，??得到文本的主题分布，再使用ｗ〇ｒｄ２ＶｅＣ进行词向量转化，得到文本的主题特征。??具体的文本主题特征向量的提取过程如图２－３所示。??１１??


本文编号：3236172