基于社交媒體的推薦技術若干問題研究.pdf

1、隨著Web2.0以及社會化媒體的發(fā)展，尤其是近5年來Facebook、Blogger和Twitter等網絡應用的盛行，不僅創(chuàng)造了“全民記者時代”，更是帶來了社交媒體領域的信息泛濫。面對這些近乎災難的數據，一個很自然的問題是:用戶如何才能找到有用的信息呢？個性化推薦技術作為一種解決“信息過載”的有效手段，毫無疑問成為了首選。但是社會化媒體中用戶人數、信息數據的爆炸增長以及用戶結構的不斷復雜化，使得推薦系統(tǒng)不得不面臨一些新的挑戰(zhàn)，尤其是數據

2、的極度稀疏、實時推薦和可信任推薦三個問題在社交媒體推薦中更為突出。
　　 圍繞著如何克服數據稀疏問題、加快推薦的速度、提高推薦的可信度和保證推薦的準確度，本文對社交媒體環(huán)境下推薦系統(tǒng)中涉及的若干問題進行了有益的探索和研究。主要的研究工作和創(chuàng)新點如下:
　　 (1)在對用戶行為數據進行統(tǒng)計學分析的基礎上，提出了基于用戶行為的協(xié)同過濾推薦方法。該方法通過分析用戶行為的數據，發(fā)現(xiàn)用戶行為的一些全局結構和隱含特征，并將這些信息與

3、用戶行為數據一起作為協(xié)同過濾推薦方法的依據。實驗表明，該方法在一定程度上提高了推薦的準確度。
　　 (2)針對用戶行為數據的稀疏性問題提出了基于語義的矩陣分解預測方法。該方法通過提取用戶行為中的一些語義信息，如隱含特征信息、上下文時間信息、位置信息等，并采用矩陣分解的方法來補全用戶行為矩陣中的缺失數據。最后，根據已補全的用戶行為矩陣信息為用戶進行推薦預測。
　　 (3)針對實時推薦問題提出了基于Co-clustering

4、的聚類推薦方法。該方法首先采用Co-clustering聚類方法來對用戶和行為進行離線聚類;然后基于離線聚類的結果，結合用戶的最近行為實現(xiàn)在線的實時推薦;最后，通過增量更新模型不間斷地更新用戶行為數據來保證離線聚類結果的準確性。該方法，一方面通過聚類法減少最近鄰用戶的搜索空間來降低計算復雜度;另一方面通過將離線聚類和在線實時推薦分開來減少在線推薦的計算時間。
　　 (4)提出了利用社會媒體中的社會關系來提高推薦可信度的方法。該方