社會網(wǎng)絡(luò)中的微博用戶推薦算法研究.pdf

1、隨著微博平臺中用戶的爆炸式增長,其用戶創(chuàng)造的信息也隨之呈指數(shù)級增長。從而導(dǎo)致過量的數(shù)據(jù)使得用戶無法有效地獲取自己想要的信息,即信息的使用率反而降低,信息過載的問題則日益加劇。目前的搜索引擎等技術(shù)只能滿足人們部分的需求,沒有個(gè)性化的考慮,仍無法有效地解決這個(gè)問題。用戶推薦作為一種信息過濾手段,是解決這個(gè)問題非常有潛力的方法。因而如何發(fā)展高效的,可擴(kuò)展的,非常精確的用戶推薦算法是一個(gè)巨大的挑戰(zhàn)。
　　本文根據(jù)目前流行的微博平臺的特性提

2、出了兩種用戶推薦算法,一種是基于領(lǐng)域偏好度的名人推薦算法,另一種是基于社區(qū)信息傳播力的用戶推薦算法?；陬I(lǐng)域偏好度的名人推薦算法將用戶推薦問題轉(zhuǎn)化為一個(gè)基于鏈接預(yù)測的分類問題,它基于名人用戶所屬的領(lǐng)域來圍繞目標(biāo)用戶和被推薦名人用戶提取一系列的特征并以此構(gòu)建一個(gè)n維的特征向量,再利用分類器過濾有限的名人集合而得到該用戶的名人推薦集合?；谏鐓^(qū)信息傳播力的用戶推薦算法則是基于社區(qū)劃分的思想,即將興趣相似的用戶聚到一個(gè)社區(qū),通過分析該社區(qū)的消

3、息流動情況,來挖掘社區(qū)中對消息傳播具有控制能力的消息中間人,同時(shí)結(jié)合目標(biāo)用戶自身的特點(diǎn)從消息中間人中選取合適的用戶推薦給他。另一方面,為了解決當(dāng)前海量數(shù)據(jù)處理的問題,本文針對兩種推薦算法還提出基于Map-Reduce的并行化實(shí)現(xiàn)方法。
　　通過在微博平臺數(shù)據(jù)集上的實(shí)現(xiàn)與測試,驗(yàn)證了兩種推薦算法的可行性及有效性。根據(jù)推薦算法的一般評估方法,本文提出的兩種推薦算法與其它常用的推薦算法相比,效果均有所提高。同時(shí)基于Map-Reduce的