基于閱讀興趣的社交網(wǎng)絡(luò)推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf

1、近年來，互聯(lián)網(wǎng)的社交平臺(tái)已經(jīng)發(fā)展得非常壯大，提供的服務(wù)以及性能越來越高效。然而，面向文章閱讀領(lǐng)域的社交平臺(tái)還沒有真正發(fā)展起來。傳統(tǒng)的閱讀類應(yīng)用軟件，需要借助第三方社交平臺(tái)才能進(jìn)行分享與交流。文章閱讀與社交功能融為一體的閱讀類社交系統(tǒng)，增加了對(duì)文章進(jìn)行批注的功能。社交系統(tǒng)的發(fā)展離不開信息推薦技術(shù)，如何在海量的文章數(shù)據(jù)做好文章分類，在用戶數(shù)據(jù)中做好用戶閱讀興趣挖掘，是推薦系統(tǒng)中需要解決的問題。
　　本文以文章分類和用戶閱讀興趣挖掘作為

2、推薦系統(tǒng)的核心問題，首先對(duì)比分析目前常用的文本分類技術(shù)，結(jié)合網(wǎng)絡(luò)文章的特點(diǎn)，最終采用多特征融合的方式進(jìn)行特征詞提取，并采用支持向量機(jī)進(jìn)行分類。然后，對(duì)于用戶閱讀興趣挖掘，本文通過分析用戶的閱讀行為，包括收藏、批注、評(píng)論、瀏覽等行為，確定用戶的興趣傾向，采用統(tǒng)計(jì)學(xué)的方法建立用戶的閱讀興趣模型，并以遺忘算法對(duì)用戶的興趣模型進(jìn)行更新。最后，本文以夾角余弦相似度算法確定模型之間的相似情況，采用基于內(nèi)容的推薦算法給用戶進(jìn)行信息推薦。
　　測(cè)

3、試結(jié)果表明，多特征融合的特征詞提取方法在文本分類的處理上比信息增益和卡方統(tǒng)計(jì)方法有更好的效果。通過統(tǒng)計(jì)學(xué)方法分析用戶的閱讀行為可以有效表達(dá)用戶的閱讀興趣。基于內(nèi)容的推薦算法在本系統(tǒng)的文章推薦中的精確度達(dá)到至少80％，符合項(xiàng)目需求。
　　論文首先通過介紹項(xiàng)目背景引出本文問題，然后對(duì)該問題進(jìn)行解決技術(shù)途徑的優(yōu)選，確定解決方案。之后對(duì)系統(tǒng)的需求進(jìn)行分析和定義，再詳細(xì)介紹了推薦方案的設(shè)計(jì)，并對(duì)系統(tǒng)的架構(gòu)和核心功能的實(shí)現(xiàn)過程進(jìn)行了詳細(xì)分析，