基于谱聚类的微博关注推荐方法研究

发布时间：2017-05-18 09:20

  本文关键词：基于谱聚类的微博关注推荐方法研究，由笔耕文化传播整理发布。

【摘要】：微博已成为网民获取信息、表达思想、传播交流的一个主要平台，它具有传播速度快、交互性强、信息获取自由等特点，使得其信息增长非常迅速，海量的数据给用户带来了信息超载的问题，让用户无法顺利的找到自己感兴趣的对象。在这种背景下，需要一种新的针对不同微博用户的个性化推荐服务，能够根据微博用户的特征和兴趣，向用户推荐符合其兴趣偏好的关注对象。个性化的微博推荐服务不仅能提高微博营销绩效，而且能提高用户体验，如何进行精准的广告投放已成为企业微博营销需要解决的问题之一。 本文旨在提出改进目前微博关注推荐方法设计思路的建议，在微博用户兴趣模型构建的基础上，辅以谱聚类并结合协同过滤的推荐方法来挖掘微博用户关注对象的关联性，重点解决了以下两个问题： 第一，基于多维特征的微博用户兴趣模型构建。针对目前基于单一维度构建微博用户兴趣模型导致微博关注推荐有效性不高的现状，提出了基于多维特征的微博用户兴趣模型构建方法，对微博用户的特征与行为进行分析，确定微博用户兴趣的来源，将其转化为用户兴趣，同时选取微博用户兴趣特征，并在此基础上从微博用户属性、关键词及微博用户行为三个维度构建了微博用户兴趣模型。 第二，基于隐性评分的微博关注推荐方法设计。针对现有微博用户关注推荐方法的不足，提出了基于用户属性和隐性评分的微博关注推荐方法，从微博用户的行为(@、转发、评论)来对其进行隐性评分设计，并计算评分相似性，在此基础上加入微博用户属性信息来计算用户之间的相似性，最后通过二者的加权组合来筛选邻居用户，，不仅对协同过滤算法进行了改进，而且对传统的邻居用户选取方法进行了改进，从而对目标用户进行更加精准的推荐。 实验结果表明，基于谱聚类的微博关注推荐方法比传统的协同过滤技术更精确、更有效。该方法在理解微博用户兴趣偏好基础上，深入分析微博用户的特征与行为，改进了传统的微博关注推荐方法，不仅为企业微博营销策略提供指导，而且能为微博用户提供精准、高效的微博关注推荐服务。
【关键词】：微博用户属性 微博用户行为 微博关注推荐 用户兴趣模型 协同过滤算法
【学位授予单位】：河南工业大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：F49
【目录】：

• 摘要5-6
• Abstract6-12
• 第一章 绪论12-22
• 1.1 研究背景12-13
• 1.2 研究目的及意义13-14
• 1.3 国内外研究现状及评述14-19
• 1.3.1 微博用户兴趣建模文献综述14-16
• 1.3.2 谱聚类算法文献综述16-18
• 1.3.3 协同过滤算法文献综述18-19
• 1.4 研究内容及组织结构19-22
• 1.4.1 研究内容19-20
• 1.4.2 论文的组织结构20-22
• 第二章 概念界定、相关技术及方法框架22-36
• 2.1 概念界定22-24
• 2.1.1 微博用户关注推荐项目22
• 2.1.2 微博用户属性22
• 2.1.3 微博用户行为22-24
• 2.1.4 关键词24
• 2.2 相关技术24-30
• 2.2.1 谱聚类算法及其相关技术24-27
• 2.2.2 协同过滤算法及其相关技术27-30
• 2.3 方法框架30-35
• 2.3.1 基于多维特征的微博用户兴趣模型构建32-34
• 2.3.2 基于谱聚类算法的用户分组34
• 2.3.3 基于协同过滤算法的微博关注推荐34-35
• 2.4 小结35-36
• 第三章 基于多维特征的微博用户兴趣模型构建36-44
• 3.1 微博用户兴趣来源分析37-41
• 3.1.1 微博用户行为分析37-39
• 3.1.2 关键词分析39-40
• 3.1.3 微博用户属性分析40-41
• 3.2 微博用户关注兴趣模型的构成41-43
• 3.3 小结43-44
• 第四章 基于隐性评分的微博关注推荐方法设计44-50
• 4.1 微博用户行为的隐性评分设计45-46
• 4.2 微博用户属性信息分析46-47
• 4.2.1 性别分析46
• 4.2.2 年龄分析46-47
• 4.3 微博用户相似邻居的选取47-48
• 4.4 微博用户关注推荐产生48-49
• 4.5 小结49-50
• 第五章 实验与评估50-63
• 5.1 评价指标50-51
• 5.2 实验设计51-52
• 5.3 数据收集52-55
• 5.3.1 微博用户基本信息数据52-53
• 5.3.2 关键词数据53-54
• 5.3.3 微博用户行为数据54
• 5.3.4 微博用户关系数据54-55
• 5.4 算法实现及实验结果分析55-62
• 5.4.1 基于谱聚类的微博用户分组55-57
• 5.4.2 基于协同过滤的微博关注推荐57-60
• 5.4.3 微博关注推荐的结果及分析60-62
• 5.5 小结62-63
• 结论63-65
• 参考文献65-71
• 致谢71-72
• 作者简介72-73
• 攻读硕士学位期间取得的学术成果73

【参考文献】

中国期刊全文数据库 前10条

1 孙强;黄蓓蓓;;微博井喷式发展动力何在?——从用户特征角度分析中国微博发展的动力因素[J];广告大观(理论版);2010年06期

2 张国安;钟绍辉;;基于微博用户评论和用户转发的数据挖掘[J];电脑知识与技术;2012年27期

3 王波;甄峰;席广亮;钱前;吴乘月;张浩;;基于微博用户关系的网络信息地理研究——以新浪微博为例[J];地理研究;2013年02期

4 李聪;梁昌勇;董珂;;基于项目类别相似性的协同过滤推荐算法[J];合肥工业大学学报(自然科学版);2008年03期

5 田铮;李小斌;句彦伟;;谱聚类的扰动分析[J];中国科学(E辑:信息科学);2007年04期

6 林鸿飞,杨元生;用户兴趣模型的表示和更新机制[J];计算机研究与发展;2002年07期

7 张锋;常会友;;使用BP神经网络缓解协同过滤推荐算法的稀疏性问题[J];计算机研究与发展;2006年04期

8 刘旭东;陈德人;钟苏丽;;使用群体兴趣偏好度的协同过滤推荐[J];计算机工程与应用;2010年34期

9 王茜;王均波;;一种改进的协同过滤推荐算法[J];计算机科学;2010年06期

10 林霜梅;汪更生;陈弈秋;;个性化推荐系统中的用户建模及特征选择[J];计算机工程;2007年17期

  本文关键词：基于谱聚类的微博关注推荐方法研究，由笔耕文化传播整理发布。

本文编号：375663