個(gè)性化微博信息流推薦技術(shù)研究.pdf

1、微博作為社交網(wǎng)絡(luò)的新型代表以其快速、新穎和便捷的特點(diǎn)吸引了大量用戶,隨著微博的大規(guī)模發(fā)展越來(lái)越多的用戶選擇使用微博閱讀即時(shí)的新聞、發(fā)表對(duì)事物的看法、分享有趣的事情。進(jìn)而促使微博服務(wù)越來(lái)越趨向于信息的分享和傳播平臺(tái),微博信息隨之出現(xiàn)爆炸式增長(zhǎng)。信息過(guò)載問(wèn)題是社交網(wǎng)絡(luò)中最嚴(yán)重的危險(xiǎn),隨著微博信息過(guò)載的問(wèn)題困擾著越來(lái)越多的用戶,微博也面臨著越來(lái)越多用戶流失的危險(xiǎn),因此如何從大量的微博信息中快速有效的找出用戶感興趣的內(nèi)容是解決信息過(guò)載問(wèn)題的關(guān)鍵

2、。
　　首先要為用戶提供個(gè)性化的微博信息流推薦服務(wù),就要準(zhǔn)確把握用戶的愛(ài)好和興趣,如何通過(guò)用戶的博文分析而準(zhǔn)確把握用戶的興趣是目前的研究熱點(diǎn),而微博信息的短文本格式以及微博的社交網(wǎng)絡(luò)特性給微博個(gè)性化信息流推薦帶來(lái)了巨大的挑戰(zhàn),現(xiàn)有的微博信息流推薦正是由于目前主體模型研究的局限性和微博數(shù)據(jù)本身帶來(lái)的挑戰(zhàn)而無(wú)法達(dá)到較高的準(zhǔn)確率。本文在現(xiàn)有微博信息流推薦研究的基礎(chǔ)之上,針對(duì)為微博用戶推薦符合其興趣和喜好的微博信息的問(wèn)題,對(duì)基于 TF-I

3、DF(Term Frequency–inverse Document Frequency)模型的微博信息流相似度計(jì)算方法進(jìn)行改進(jìn),結(jié)合 LDA(Latent Dirichlet Allocation)主題模型的相似度評(píng)分,最終達(dá)到較高的推薦準(zhǔn)確率。論文主要研究?jī)?nèi)容如下:
　　(1)論文基于TF-IDF模型,綜合考慮微博短文本數(shù)據(jù)特征,將單個(gè)詞語(yǔ)權(quán)重和多個(gè)詞語(yǔ)權(quán)重相結(jié)合用于計(jì)算微博信息流的相似性進(jìn)而評(píng)估用戶的興趣度,結(jié)合協(xié)同過(guò)濾的思

4、想進(jìn)一步分析用戶的冷啟動(dòng)的問(wèn)題和個(gè)性化特點(diǎn),有效降低無(wú)關(guān)微博信息的排名,優(yōu)化用戶微博信息排序。
　　(2)引入概率主題模型LDA來(lái)對(duì)微博內(nèi)容進(jìn)行建模,模型將每個(gè)微博集合視為一些隱含的主題特定比例的混合,而一個(gè)主題則視為經(jīng)常同時(shí)出現(xiàn)的詞語(yǔ)的分布,進(jìn)而在計(jì)算微博信息流相似性時(shí)將微博內(nèi)容映射到主題維度以提高推薦準(zhǔn)確率。
　　(3)將基于TF-IDF模型的改進(jìn)型方法和基于LDA的模型的方法集成用于微博個(gè)性化信息流推薦,實(shí)驗(yàn)基于新浪微