基于社交關系和時序主題的微博好友推薦算法研究.pdf

1、隨著微博社交網(wǎng)絡的流行，越來越多的用戶喜歡使用微博獲取信息和表達觀點。然而，隨著用戶的不斷增多，微博的信息量也在成倍增加，用戶越來越難找到自己感興趣的信息。通常，用戶獲取的信息主要來源于關注者發(fā)布的微博信息，因此為微博用戶推薦其可能感興趣的關注好友，既能保證其獲取高質(zhì)量的信息又能擴大其交際圈。因此，如何推薦高質(zhì)量的關注好友，一直是微博個性化服務的熱點之一。
　　目前微博好友推薦方法中，現(xiàn)有的基于社交拓撲結(jié)構(gòu)和基于微博內(nèi)容混好的好友

2、推薦算法，不能全面分析微博數(shù)據(jù)的多種特征及動態(tài)分析用戶興趣偏好。提出一種基于社交關系和時序主題的混合好友推薦算法解決這些問題?；谏缃魂P系推薦模塊，引入適用于微博好友推薦的基于排序的矩陣分解模型，提取微博數(shù)據(jù)中的性別、年齡、社交活動特征，將這些特征引入到矩陣分解模型，優(yōu)化求解用戶親密度預測矩陣，計算用戶社交相似度?；跁r序主題推薦模塊，按時間窗口把用戶發(fā)布的微博內(nèi)容分段，針對每一時段，把同一位用戶的微博文本聚合成一個用戶文檔，利用潛在狄

3、利特雷分布（Latent Dirichlet Allocation，LDA）模型提取用戶-主題特征，并使用詹森香農(nóng)（Jensen-Shannon，JS）距離計算興趣相似度；根據(jù)歷史各時段的興趣相似度，使用時間衰減函數(shù)預測用戶最終的興趣相似度。在此基礎上，線性融合社交和興趣相似度，使用協(xié)同過濾算法進行Top-k好友推薦。
　　在真實的新浪微博數(shù)據(jù)集上進行驗證，改進的混合好友推薦算法具有較好的推薦效果，在平均準確率均值（Mean Av