社交网络人脉搜索与推荐算法研究
发布时间：2021-10-30 15:52
社交网络平台的发展方便了人们的交流,人们足不出户通过虚拟网络即可获得相应的信息。大量用户通过社交平台发布信息进行交流,构成了复杂的社交网络。随着社交网络中用户数量的增多,根据用户输入信息准确地定位到社交网络中潜在用户的难度随之增大,人脉搜索和推荐的准确率也急剧下降。为了提高人脉搜索和推荐的准确率,本文结合用户内容及网络拓扑结构等因素对人脉搜索算法和人脉推荐算法进行研究。最后实现了个性化的人脉搜索推荐系统,为用户提供搜索和推荐服务。论文研究主要分为三部分,具体研究内容如下:（1）基于Doc2Vec和卷积神经网络的人脉搜索算法研究。针对社交网络中无法准确查找到用户的问题,本研究基于Doc2Vec模型和卷积神经网络构建用户特征信息模型,以深入挖掘用户的信息并进行向量化表示。将用户特征信息模型与Solr原有排序算法相融合,对检索结果进行二次排序,以满足目标用户对于潜在用户查找的需求。实验表明,基于Doc2Vec模型和卷积神经网络构建的人脉搜索算法较单一的Doc2Vec模型构建的搜索算法及Solr搜索算法在Mean Average Precision（MAP）上分别提高了15.3%和8.3%,在...
【文章来源】：西北农林科技大学陕西省 211工程院校 985工程院校 教育部直属院校
【文章页数】：78 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 个性化搜索引擎研究现状
1.2.2 推荐算法研究现状
1.3 研究主要内容
1.4 研究方法与技术路线
1.4.1 研究方法
1.4.2 技术路线
1.5 论文组织结构
第二章 相关基础理论与技术简介
2.1 个性化搜索引擎及算法
2.1.1 常见的信息检索算法
2.1.2 前向传播和反向传播
2.1.3 句子语义分析方法
2.1.4 Solr搜索引擎简介
2.1.5 Solr搜索引擎原理
2.2 个性化推荐算法
2.2.1 N-Gram模型
2.2.2 词向量生成方法
2.2.3 PageRank算法
2.2.4 LeaderRank算法
2.2.5 加权LeaderRank算法
2.3 本章小结
第三章 基于Doc2Vec和卷积神经网络的人脉搜索算法研究
3.1 用户特征信息模型构建
3.1.1 模型整体架构
3.1.2 输入层设计
3.1.3 卷积层设计
3.1.4 池化层设计
3.1.5 全连接层设计
3.2 人脉搜索排序算法设计
3.2.1 模型构建
3.2.2 算法流程
3.3 实验与分析
3.3.1 实验数据集
3.3.2 实验环境和度量标准
3.3.3 实验结果及分析
3.4 本章小结
第四章 基于加权LeaderRank的人脉推荐算法研究
4.1 问题描述
4.2 数据向量化表示
4.3 人脉推荐算法设计
4.3.1 链入链出相关度
4.3.2 内容相关度
4.3.3 时间衰减度
4.4 实验与分析
4.4.1 实验数据集
4.4.2 实验环境和度量标准
4.4.3 实验结果及分析
4.5 本章小结
第五章 人脉搜索推荐系统实现
5.1 系统总体架构
5.2 系统实现
5.2.1 运行环境
5.2.2 搜索模块
5.2.3 推荐模块
5.3 系统测试与评价
5.3.1 系统测试
5.3.2 系统评价
5.4 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
致谢
个人简历
【参考文献】：
期刊论文
[1]融合用户行为分析和兴趣序列相似性的个性化推荐方法研究[J]. 王刚,郭雪梅. 情报理论与实践. 2019(07)
[2]基于VSM和Bisecting K-means聚类的新闻推荐方法[J]. 袁仁进,陈刚,李锋,魏双建. 北京邮电大学学报. 2019(01)
[3]基于用户交互的社交网络好友推荐算法[J]. 龙增艳,陈志刚,徐成林. 计算机工程. 2019(03)
[4]基于多维信任和联合矩阵分解的社会化推荐方法[J]. 王磊,任航,龚凯. 计算机应用. 2019(05)
[5]LBSN中融合类别信息的混合推荐模型[J]. 张岐山,李可,林小榕. 计算机系统应用. 2019(01)
[6]基于情感空间的用户阅读兴趣模型研究[J]. 赵泽昱,陈健,张月琴. 计算机工程. 2019(01)
[7]基于社区划分和用户相似度的好友信息服务推荐研究[J]. 张继东,蔡雪. 情报理论与实践. 2019(04)
[8]融合兴趣的微博用户相似度计算研究[J]. 黄贤英,阳安志,刘小洋,刘广峰. 计算机应用研究. 2020(01)
[9]基于微博的个性化社区推荐算法[J]. 于笑明,李文杰. 天津理工大学学报. 2018(05)
[10]基于大数据与LDA融合的微博信息推荐方法研究[J]. 崔金栋,杜文强,关杨. 情报科学. 2018(09)
硕士论文
[1]基于深度学习的个性化引文搜索推荐算法研究[D]. 陈志涛.西北农林科技大学 2018
[2]基于lucene的垂直搜索引擎研究[D]. 张振华.吉林大学 2018
[3]基于CNN的陆空通话语义识别方法[D]. 卢薇冰.中国民航大学 2017
[4]基于群组用户画像的农业信息化推荐算法研究[D]. 贾伟洋.西北农林科技大学 2017
[5]基于用户兴趣模型的个性化农业搜索引擎的研究与实现[D]. 蒋阳辉.西北农林科技大学 2016
[6]基于用户行为的社交网络用户动态影响力模型研究[D]. 张宁.辽宁大学 2015
[7]基于用户偏好的个性化搜索模型研究[D]. 胡驰.华中科技大学 2015
[8]基于用户兴趣模型的个性化搜索排序研究[D]. 徐康.浙江理工大学 2015
[9]基于Word2Vec主题提取的微博推荐[D]. 朱雪梅.北京理工大学 2014
本文编号：3467005
【文章来源】：西北农林科技大学陕西省 211工程院校 985工程院校 教育部直属院校
【文章页数】：78 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 个性化搜索引擎研究现状
1.2.2 推荐算法研究现状
1.3 研究主要内容
1.4 研究方法与技术路线
1.4.1 研究方法
1.4.2 技术路线
1.5 论文组织结构
第二章 相关基础理论与技术简介
2.1 个性化搜索引擎及算法
2.1.1 常见的信息检索算法
2.1.2 前向传播和反向传播
2.1.3 句子语义分析方法
2.1.4 Solr搜索引擎简介
2.1.5 Solr搜索引擎原理
2.2 个性化推荐算法
2.2.1 N-Gram模型
2.2.2 词向量生成方法
2.2.3 PageRank算法
2.2.4 LeaderRank算法
2.2.5 加权LeaderRank算法
2.3 本章小结
第三章 基于Doc2Vec和卷积神经网络的人脉搜索算法研究
3.1 用户特征信息模型构建
3.1.1 模型整体架构
3.1.2 输入层设计
3.1.3 卷积层设计
3.1.4 池化层设计
3.1.5 全连接层设计
3.2 人脉搜索排序算法设计
3.2.1 模型构建
3.2.2 算法流程
3.3 实验与分析
3.3.1 实验数据集
3.3.2 实验环境和度量标准
3.3.3 实验结果及分析
3.4 本章小结
第四章 基于加权LeaderRank的人脉推荐算法研究
4.1 问题描述
4.2 数据向量化表示
4.3 人脉推荐算法设计
4.3.1 链入链出相关度
4.3.2 内容相关度
4.3.3 时间衰减度
4.4 实验与分析
4.4.1 实验数据集
4.4.2 实验环境和度量标准
4.4.3 实验结果及分析
4.5 本章小结
第五章 人脉搜索推荐系统实现
5.1 系统总体架构
5.2 系统实现
5.2.1 运行环境
5.2.2 搜索模块
5.2.3 推荐模块
5.3 系统测试与评价
5.3.1 系统测试
5.3.2 系统评价
5.4 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
致谢
个人简历
【参考文献】：
期刊论文
[1]融合用户行为分析和兴趣序列相似性的个性化推荐方法研究[J]. 王刚,郭雪梅. 情报理论与实践. 2019(07)
[2]基于VSM和Bisecting K-means聚类的新闻推荐方法[J]. 袁仁进,陈刚,李锋,魏双建. 北京邮电大学学报. 2019(01)
[3]基于用户交互的社交网络好友推荐算法[J]. 龙增艳,陈志刚,徐成林. 计算机工程. 2019(03)
[4]基于多维信任和联合矩阵分解的社会化推荐方法[J]. 王磊,任航,龚凯. 计算机应用. 2019(05)
[5]LBSN中融合类别信息的混合推荐模型[J]. 张岐山,李可,林小榕. 计算机系统应用. 2019(01)
[6]基于情感空间的用户阅读兴趣模型研究[J]. 赵泽昱,陈健,张月琴. 计算机工程. 2019(01)
[7]基于社区划分和用户相似度的好友信息服务推荐研究[J]. 张继东,蔡雪. 情报理论与实践. 2019(04)
[8]融合兴趣的微博用户相似度计算研究[J]. 黄贤英,阳安志,刘小洋,刘广峰. 计算机应用研究. 2020(01)
[9]基于微博的个性化社区推荐算法[J]. 于笑明,李文杰. 天津理工大学学报. 2018(05)
[10]基于大数据与LDA融合的微博信息推荐方法研究[J]. 崔金栋,杜文强,关杨. 情报科学. 2018(09)
硕士论文
[1]基于深度学习的个性化引文搜索推荐算法研究[D]. 陈志涛.西北农林科技大学 2018
[2]基于lucene的垂直搜索引擎研究[D]. 张振华.吉林大学 2018
[3]基于CNN的陆空通话语义识别方法[D]. 卢薇冰.中国民航大学 2017
[4]基于群组用户画像的农业信息化推荐算法研究[D]. 贾伟洋.西北农林科技大学 2017
[5]基于用户兴趣模型的个性化农业搜索引擎的研究与实现[D]. 蒋阳辉.西北农林科技大学 2016
[6]基于用户行为的社交网络用户动态影响力模型研究[D]. 张宁.辽宁大学 2015
[7]基于用户偏好的个性化搜索模型研究[D]. 胡驰.华中科技大学 2015
[8]基于用户兴趣模型的个性化搜索排序研究[D]. 徐康.浙江理工大学 2015
[9]基于Word2Vec主题提取的微博推荐[D]. 朱雪梅.北京理工大学 2014
本文编号：3467005
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3467005.html
