社交網(wǎng)絡(luò)中基于用戶特征的專家推薦研究.pdf

1、網(wǎng)絡(luò)社交平臺(tái)經(jīng)過數(shù)年蓬勃發(fā)展帶動(dòng)了大量用戶參與，網(wǎng)民通過該平臺(tái)與各個(gè)層面的人聯(lián)系在一起，在這一過程中由微博發(fā)布、轉(zhuǎn)發(fā)以及評(píng)論產(chǎn)生互動(dòng)而形成了新的巨大信息流。這給信息獲取帶來便利的同時(shí)也不可避免地把信息過載這一難題推向前臺(tái)，所以通過信息過濾這個(gè)手段進(jìn)行個(gè)性化推薦具有重大價(jià)值。
　　在擁有海量數(shù)據(jù)和用戶的社交網(wǎng)絡(luò)里進(jìn)行信息過濾難度巨大，其中一個(gè)重要因素就在于社交網(wǎng)絡(luò)信息發(fā)布門檻低，容易造成信息質(zhì)量魚龍混雜的現(xiàn)象。與此同時(shí)現(xiàn)有技術(shù)在分辨

2、各個(gè)領(lǐng)域信息的質(zhì)量高低、真假等屬性的性能上還有改進(jìn)的空間，因此可以在改進(jìn)算法的同時(shí)借助特定領(lǐng)域的專家，依靠其專業(yè)知識(shí)和技能，幫助用戶進(jìn)行信息的篩選。為了達(dá)成這一目標(biāo)本研究主要從用戶的特征入手，依據(jù)其興趣推薦個(gè)性化的專家。
　　社交網(wǎng)絡(luò)用戶往往都有一些用于描述自己特征的標(biāo)簽，通過該標(biāo)簽可以快速且準(zhǔn)確地識(shí)別用戶興趣。然而在社交網(wǎng)絡(luò)里由于使用門檻、隱私保護(hù)等因素的限制，用戶的個(gè)人標(biāo)簽往往不夠普及，因此該特征信息稀疏，從而造成推薦困難。為

3、解決這一問題，根據(jù)同質(zhì)性，即相似的用戶會(huì)喜歡相似的內(nèi)容，借用用戶親密好友的特征進(jìn)行標(biāo)簽預(yù)測(cè)。本文首先使用基于SimRank的改進(jìn)算法ASCOS對(duì)用戶社交關(guān)系相似度進(jìn)行計(jì)算，然后進(jìn)行兩兩比較找出用戶的親密好友，再根據(jù)其好友標(biāo)簽進(jìn)行預(yù)測(cè)。隨后在專家識(shí)別方面提出了依據(jù)PageRank為原型的FRank算法，改進(jìn)了原始算法在小社交圈內(nèi)計(jì)算不準(zhǔn)的缺陷。實(shí)證表明，使用ASCOS在用戶標(biāo)簽預(yù)測(cè)中的準(zhǔn)確率和召回率上得到提升。在專家預(yù)測(cè)上使用nDGC作為

4、性能評(píng)價(jià)標(biāo)準(zhǔn)，并發(fā)現(xiàn)與基線方法PageRank相比FRank的性能也有所提升。最終依據(jù)上述兩個(gè)方面的成果，即標(biāo)簽預(yù)測(cè)和專家識(shí)別，實(shí)現(xiàn)了向用戶推薦個(gè)性化的專家。
　　本文共分6章:
　　第1章，介紹當(dāng)前社交網(wǎng)絡(luò)個(gè)性化推薦的研究現(xiàn)狀和成果，描述文章結(jié)構(gòu)。
　　第2章，說明本文研究所需的理論技術(shù)，包括數(shù)據(jù)采集的方法、用戶標(biāo)簽、用戶特征模型及常見推薦系統(tǒng)。
　　第3章，根據(jù)新浪微博用戶的宏觀特點(diǎn)選擇用戶標(biāo)簽作為推薦模型的