社交网络潜在热点推荐系统的研究与实现
发布时间：2021-10-11 16:30
随着移动互联网的快速发展,社交网络已经深入人们的日常生活,网民可以随时随地通过社交网络发表自己对周围生活、时事热点等的观点看法,然而社交网络海量的内容为用户提供信息的同时,也带来了信息过载等问题,用户很难快速而准确地找到自己感兴趣的信息,搜索引擎的被动和非智能性也越来越难以满足用户的需求,因此性化推荐系统应运而生。而在推荐系统中,面对的数据量往往是巨大的。为了快速响应用户需求,本文通过HDFS、Spark和SolrCloud等大数据技术的整合,提供高可靠和高性能的分布式存储、计算和检索环境,提高推荐系统的运行效率和稳定性。本文以社交网络为背景,面对的系统用户主要是相关部门的舆情分析人员,推荐其感兴趣的人或主贴,帮助其及时获取民众关心的热点和舆论倾向。首先介绍了课题的相关背景和意义,然后深入探讨了相关的大数据技术,同时介绍了常用的推荐算法。最后结合大数据处理技术,设计实现了一个社交网络混合推荐系统。本论文的主要工作内容有:1.实现了微博、Twitter和Facebook三个通道长期稳定的社交网络历史信息采集程序,为社交网络的舆情分析和推荐提供数据源。2.实现了基于社交网络的混合推荐引擎。...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
HBase数据请求流程
图 2-8 评分潜在因子基于隐语义模型的协同过滤推荐，把一个用户-物品的评分矩阵 R 分解户隐在偏好因子矩阵 P 和物品隐在属性因子矩阵 QT的乘积。如图 2-9 所中用户隐在兴趣因子矩阵 P 和物品隐在属性因子矩阵 Q 是两个降阶后的，它们是通过训练集上的用户-博主历史评分记录训练得出。图 2-9 隐语义模型图示计算特征矩阵 P 和 Q，一般采用交替最小二乘法（alternating lequares）。它通过已有的用户-博主（或话题）历史评分矩阵，来推测每个用喜好特征和博主或话题的属性特征，然后向用户推荐感兴趣的适合的博主
- 15 -图 2-9 隐语义模型图示阵 P 和 Q，一般采用交替最小二乘法已有的用户-博主（或话题）历史评分矩阵主或话题的属性特征，然后向用户推荐感兴式 2-5，可以推测系统用户 u 对博主 i 的评 = i 都可以与一个 k 维的向量 来表示，每一。 向量每一维的数值代表了博主 i 拥有这
【参考文献】：
期刊论文
[1]数据挖掘在课程与图书个性化推荐中的应用[J]. 郭少卿,肖志雄,宋伟轩,张永佳. 科技情报开发与经济. 2015(12)
[2]社会化推荐系统研究[J]. 孟祥武,刘树栋,张玉洁,胡勋. 软件学报. 2015(06)
[3]一种基于混合推荐模式的图书推荐系统[J]. 汪静. 计算机光盘软件与应用. 2014(11)
[4]新浪微博网信息传播分析与预测[J]. 曹玖新,吴江林,石伟,刘波,郑啸,罗军舟. 计算机学报. 2014(04)
[5]面向微博系统的实时个性化推荐[J]. 高明,金澈清,钱卫宁,王晓玲,周傲英. 计算机学报. 2014(04)
[6]基于Solr的分布式全文检索系统的研究与实现[J]. 李戴维,李宁. 计算机与现代化. 2012(11)
[7]推荐系统评价指标综述[J]. 朱郁筱,吕琳媛. 电子科技大学学报. 2012(02)
[8]个性化推荐系统综述[J]. 王国霞,刘贺平. 计算机工程与应用. 2012(07)
[9]个性化推荐系统的研究进展[J]. 刘建国,周涛,汪秉宏. 自然科学进展. 2009(01)
[10]推荐系统研究进展及展望[J]. 刘鲁,任晓丽. 信息系统学报. 2008(01)
博士论文
[1]面向推荐系统的关键问题研究及应用[D]. 刘士琛.中国科学技术大学 2014
[2]社交网络个性化推荐方法研究[D]. 邢星.大连海事大学 2013
硕士论文
[1]基于Spark平台的混合推荐算法的研究与实现[D]. 周文韬.北京交通大学 2016
[2]面向推荐的大数据计算与存储平台设计与实现[D]. 李琛轩.哈尔滨工业大学 2016
[3]基于多属性动态权值调整的协同过滤技术研究[D]. 李姝.云南财经大学 2016
[4]基于Spark平台推荐系统研究[D]. 杨志伟.中国科学技术大学 2015
[5]基于HBase的大规模数据存储解决方案的设计和实现[D]. 马翠云.山东大学 2015
[6]基于Spark的推荐系统的设计与实现[D]. 胡于响.浙江大学 2015
[7]基于完全三部图模型的个性化推荐技术研究[D]. 林举.上海大学 2015
[8]基于Hadoop的推荐系统的设计与实现[D]. 邓雄杰.华南理工大学 2013
[9]社交网络数据获取技术与实现[D]. 胡亚楠.哈尔滨工业大学 2011
[10]个性化推荐系统应用及研究[D]. 杨杰.中国科学技术大学 2009
本文编号：3430871
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
HBase数据请求流程
图 2-8 评分潜在因子基于隐语义模型的协同过滤推荐，把一个用户-物品的评分矩阵 R 分解户隐在偏好因子矩阵 P 和物品隐在属性因子矩阵 QT的乘积。如图 2-9 所中用户隐在兴趣因子矩阵 P 和物品隐在属性因子矩阵 Q 是两个降阶后的，它们是通过训练集上的用户-博主历史评分记录训练得出。图 2-9 隐语义模型图示计算特征矩阵 P 和 Q，一般采用交替最小二乘法（alternating lequares）。它通过已有的用户-博主（或话题）历史评分矩阵，来推测每个用喜好特征和博主或话题的属性特征，然后向用户推荐感兴趣的适合的博主
- 15 -图 2-9 隐语义模型图示阵 P 和 Q，一般采用交替最小二乘法已有的用户-博主（或话题）历史评分矩阵主或话题的属性特征，然后向用户推荐感兴式 2-5，可以推测系统用户 u 对博主 i 的评 = i 都可以与一个 k 维的向量 来表示，每一。 向量每一维的数值代表了博主 i 拥有这
【参考文献】：
期刊论文
[1]数据挖掘在课程与图书个性化推荐中的应用[J]. 郭少卿,肖志雄,宋伟轩,张永佳. 科技情报开发与经济. 2015(12)
[2]社会化推荐系统研究[J]. 孟祥武,刘树栋,张玉洁,胡勋. 软件学报. 2015(06)
[3]一种基于混合推荐模式的图书推荐系统[J]. 汪静. 计算机光盘软件与应用. 2014(11)
[4]新浪微博网信息传播分析与预测[J]. 曹玖新,吴江林,石伟,刘波,郑啸,罗军舟. 计算机学报. 2014(04)
[5]面向微博系统的实时个性化推荐[J]. 高明,金澈清,钱卫宁,王晓玲,周傲英. 计算机学报. 2014(04)
[6]基于Solr的分布式全文检索系统的研究与实现[J]. 李戴维,李宁. 计算机与现代化. 2012(11)
[7]推荐系统评价指标综述[J]. 朱郁筱,吕琳媛. 电子科技大学学报. 2012(02)
[8]个性化推荐系统综述[J]. 王国霞,刘贺平. 计算机工程与应用. 2012(07)
[9]个性化推荐系统的研究进展[J]. 刘建国,周涛,汪秉宏. 自然科学进展. 2009(01)
[10]推荐系统研究进展及展望[J]. 刘鲁,任晓丽. 信息系统学报. 2008(01)
博士论文
[1]面向推荐系统的关键问题研究及应用[D]. 刘士琛.中国科学技术大学 2014
[2]社交网络个性化推荐方法研究[D]. 邢星.大连海事大学 2013
硕士论文
[1]基于Spark平台的混合推荐算法的研究与实现[D]. 周文韬.北京交通大学 2016
[2]面向推荐的大数据计算与存储平台设计与实现[D]. 李琛轩.哈尔滨工业大学 2016
[3]基于多属性动态权值调整的协同过滤技术研究[D]. 李姝.云南财经大学 2016
[4]基于Spark平台推荐系统研究[D]. 杨志伟.中国科学技术大学 2015
[5]基于HBase的大规模数据存储解决方案的设计和实现[D]. 马翠云.山东大学 2015
[6]基于Spark的推荐系统的设计与实现[D]. 胡于响.浙江大学 2015
[7]基于完全三部图模型的个性化推荐技术研究[D]. 林举.上海大学 2015
[8]基于Hadoop的推荐系统的设计与实现[D]. 邓雄杰.华南理工大学 2013
[9]社交网络数据获取技术与实现[D]. 胡亚楠.哈尔滨工业大学 2011
[10]个性化推荐系统应用及研究[D]. 杨杰.中国科学技术大学 2009
本文编号：3430871
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3430871.html
