基于MPSO-kmeans算法的微博推荐系统研究与实现
发布时间:2021-08-03 13:23
在科技快速发展的今天,微博因其发布快、形式多样、内容丰富等优点,逐渐发展成为人们日常生活中不可或缺的一种社交媒体。但随着信息量的爆炸式增长,人们很难在大量复杂的数据中发现自己感兴趣的内容,因此个性化推荐用户感兴趣的博文就显得格外重要。本文首先介绍了数据采集和预处理的相关技术,接着从挖掘用户感兴趣话题和构建影响力推荐模型两个部分对微博推荐系统进行研究和实现。本文的研究工作主要包括以下三个部分:第一部分通过用户兴趣挖掘技术获取用户感兴趣的话题,国内外主要采用k-means算法对微博数据进行兴趣挖掘,但传统k-means在对数据进行处理时,存在易受初始聚类中心影响的缺点,本文引入改进的粒子群算法对其优化,提出一种学习因子、时间因子随权重动态调整的粒子群优化聚类算法(MPSO-kmeans算法)。MPSO-kmeans算法既克服了传统k-means的缺点,同时解决了粒子群算法中惯性权重和学习因子独自调整导致的相互削弱的问题,实现了全局搜索和局部精度搜索的动态平衡,有效地提高了聚类效果,实现了微博用户感兴趣话题的高效挖掘。第二部分根据用户感兴趣的话题,搜索相关话题的博文,由此得出博文的相关属性及...
【文章来源】:江苏科技大学江苏省
【文章页数】:70 页
【学位级别】:硕士
【文章目录】:
摘要
Abstract
第1章 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状
1.2.1 微博推荐的研究现状
1.2.2 聚类算法的研究现状
1.3 论文的主要研究内容
1.4 论文的结构安排
第2章 数据采集和预处理相关技术
2.1 微博数据采集技术
2.1.1 微博API提取技术
2.1.2 网络爬虫信息提取技术
2.2 微博信息预处理技术
2.2.1 中文分词及词性标注
2.2.2 停用词
2.2.3 文本表示模型
2.2.4 特征项权重
2.3 本章小结
第3章 基于粒子群优化聚类算法的用户兴趣挖掘
3.1 用户兴趣挖掘技术研究
3.1.1 聚类分析
3.1.2 K-means算法
3.1.3 粒子群优化算法
3.2 改进的粒子群优化的k-means算法
3.2.1 改进的粒子群优化k-means算法
3.2.2 实验及结果分析
3.3 本章小结
第4章 基于主成分分析法的影响力模型
4.1 主成分分析法
4.2 影响力算法的研究
4.3 基于主成分分析法的影响力模型构建
4.3.1 博文影响力模型
4.3.2 用户影响力模型
4.3.3 综合影响力推荐模型
4.4 推荐模型评价
4.5 本章小结
第5章 微博推荐系统的设计与实现
5.1 系统架构设计
5.2 系统模块设计与实现
5.2.1 开发平台及开发工具
5.2.2 微博用户数据采集模块
5.2.3 微博文本预处理模块
5.2.4 微博用户兴趣挖掘模块
5.2.5 兴趣博文搜索与推荐模块
5.3 本章小结
总结与展望
参考文献
攻读学位期间发表的相关学术论文
致谢
详细摘要
【参考文献】:
期刊论文
[1]多起讫点货物转运配送车辆调度模型及其粒子群、蚁群算法混合求解[J]. 王雷震,汪定伟,王素欣. 信息与控制. 2018(05)
[2]基于社交圈发现与用户信任度传播的微博朋友推荐方法[J]. 朱明玮,唐莫鸣. 软件导刊. 2018(06)
[3]改进惯性权值的粒子群优化算法[J]. 南杰琼,王晓东. 西安工程大学学报. 2017(06)
[4]一种基于种群多样性的粒子群优化算法设计及应用[J]. 韩红桂,卢薇,乔俊飞. 信息与控制. 2017(06)
[5]粒子群算法的改进及其在优化函数中的应用[J]. 马发民,张林,王锦彪. 计算机与数字工程. 2017(07)
[6]基于K-means聚类算法的改进[J]. 李金涛,艾萍,岳兆新,马梦梦,边世哲. 国外电子测量技术. 2017(06)
[7]求解约束优化问题的融合粒子群的教与学算法[J]. 赵乃刚,李勇,王振荣. 计算机应用研究. 2018(05)
[8]多策略改进的多目标粒子群优化算法[J]. 杨景明,穆晓伟,车海军,呼子宇,侯宇浩. 控制与决策. 2017(03)
[9]基于层次分析的微博短文本特征计算方法[J]. 邹学强,包秀国,黄晓军,马宏远,袁庆升. 通信学报. 2016(12)
[10]粒子群优化算法的性能分析和参数选择[J]. 王东风,孟丽. 自动化学报. 2016(10)
硕士论文
[1]基于微博的个性化推荐算法研究[D]. 邱慧敏.北京邮电大学 2016
[2]基于k-means算法在微博数据挖掘中的应用[D]. 杨勇.天津工业大学 2016
[3]基于微博的个性化新闻推荐算法的研究[D]. 李晓东.大连理工大学 2014
[4]微博爬虫的相关技术研究[D]. 罗一纾.哈尔滨工业大学 2013
[5]微博影响力分析算法与个性化推荐系统的设计与实现[D]. 国洪文.西北大学 2013
[6]面向个性化推荐的用户兴趣建模技术研究[D]. 宫玲玲.山东师范大学 2013
[7]基于混合PSO的K-means算法及并行化研究[D]. 张世勇.重庆大学 2007
本文编号:3319696
【文章来源】:江苏科技大学江苏省
【文章页数】:70 页
【学位级别】:硕士
【文章目录】:
摘要
Abstract
第1章 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状
1.2.1 微博推荐的研究现状
1.2.2 聚类算法的研究现状
1.3 论文的主要研究内容
1.4 论文的结构安排
第2章 数据采集和预处理相关技术
2.1 微博数据采集技术
2.1.1 微博API提取技术
2.1.2 网络爬虫信息提取技术
2.2 微博信息预处理技术
2.2.1 中文分词及词性标注
2.2.2 停用词
2.2.3 文本表示模型
2.2.4 特征项权重
2.3 本章小结
第3章 基于粒子群优化聚类算法的用户兴趣挖掘
3.1 用户兴趣挖掘技术研究
3.1.1 聚类分析
3.1.2 K-means算法
3.1.3 粒子群优化算法
3.2 改进的粒子群优化的k-means算法
3.2.1 改进的粒子群优化k-means算法
3.2.2 实验及结果分析
3.3 本章小结
第4章 基于主成分分析法的影响力模型
4.1 主成分分析法
4.2 影响力算法的研究
4.3 基于主成分分析法的影响力模型构建
4.3.1 博文影响力模型
4.3.2 用户影响力模型
4.3.3 综合影响力推荐模型
4.4 推荐模型评价
4.5 本章小结
第5章 微博推荐系统的设计与实现
5.1 系统架构设计
5.2 系统模块设计与实现
5.2.1 开发平台及开发工具
5.2.2 微博用户数据采集模块
5.2.3 微博文本预处理模块
5.2.4 微博用户兴趣挖掘模块
5.2.5 兴趣博文搜索与推荐模块
5.3 本章小结
总结与展望
参考文献
攻读学位期间发表的相关学术论文
致谢
详细摘要
【参考文献】:
期刊论文
[1]多起讫点货物转运配送车辆调度模型及其粒子群、蚁群算法混合求解[J]. 王雷震,汪定伟,王素欣. 信息与控制. 2018(05)
[2]基于社交圈发现与用户信任度传播的微博朋友推荐方法[J]. 朱明玮,唐莫鸣. 软件导刊. 2018(06)
[3]改进惯性权值的粒子群优化算法[J]. 南杰琼,王晓东. 西安工程大学学报. 2017(06)
[4]一种基于种群多样性的粒子群优化算法设计及应用[J]. 韩红桂,卢薇,乔俊飞. 信息与控制. 2017(06)
[5]粒子群算法的改进及其在优化函数中的应用[J]. 马发民,张林,王锦彪. 计算机与数字工程. 2017(07)
[6]基于K-means聚类算法的改进[J]. 李金涛,艾萍,岳兆新,马梦梦,边世哲. 国外电子测量技术. 2017(06)
[7]求解约束优化问题的融合粒子群的教与学算法[J]. 赵乃刚,李勇,王振荣. 计算机应用研究. 2018(05)
[8]多策略改进的多目标粒子群优化算法[J]. 杨景明,穆晓伟,车海军,呼子宇,侯宇浩. 控制与决策. 2017(03)
[9]基于层次分析的微博短文本特征计算方法[J]. 邹学强,包秀国,黄晓军,马宏远,袁庆升. 通信学报. 2016(12)
[10]粒子群优化算法的性能分析和参数选择[J]. 王东风,孟丽. 自动化学报. 2016(10)
硕士论文
[1]基于微博的个性化推荐算法研究[D]. 邱慧敏.北京邮电大学 2016
[2]基于k-means算法在微博数据挖掘中的应用[D]. 杨勇.天津工业大学 2016
[3]基于微博的个性化新闻推荐算法的研究[D]. 李晓东.大连理工大学 2014
[4]微博爬虫的相关技术研究[D]. 罗一纾.哈尔滨工业大学 2013
[5]微博影响力分析算法与个性化推荐系统的设计与实现[D]. 国洪文.西北大学 2013
[6]面向个性化推荐的用户兴趣建模技术研究[D]. 宫玲玲.山东师范大学 2013
[7]基于混合PSO的K-means算法及并行化研究[D]. 张世勇.重庆大学 2007
本文编号:3319696
本文链接:https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3319696.html