一种面向微博用户的标签推荐方法

首先对国内微博平台的信息进行了综合分析,主要介绍了微博信息的定义,在错综复杂的微博信息中哪些信息比较重要,以及这些微博信息包含哪些详细的内容,是如何组织的.然后选取新浪微博平台作为研究对象,利用新浪微博API设计了爬虫程序,抽取用户信息；以用户的关注人数、粉丝数和发布的微博数为标准对用户信息进行了定量分析.最后根据分析...     

微博用户关系研究

本文以新浪微博为例,通过抽样分析来对微博中的社会网络进行研究。文章通过对明星用户之间和普通用户之间的网络密度分析、中心性分析和距离分析来了解微博用户的群体特征。重点讨论了微博用户之间所存在的社交关系以及信息是如何在这样的社交关系中进行传播的。     

基于标签改进社交网络好友推荐算法研究与应用

随着信息技术的快速发展,人们的社交网络方式也在不断地改变,因此如何准确地给用户个性化的推荐成为当前研究的热点。文中通过对传统的基于标签的推荐算法进行了深入的研究,针对其推荐准确率低和缺乏新颖性的问题,提出了一种改进的基于标签的推荐算法模型。通过仿真实验并与腾讯微博推荐算法进行对比测试,得出改进的算法不仅能够推荐与目标用户相似的用户,还能挖掘具有相同兴趣爱好的潜在用户,最终验证了改进的标签算法能够有效地提高推荐系统准确率和新颖性。     

一种基于用户动态兴趣和社交网络的微博推荐方法

针对为微博用户推荐符合其兴趣取向的个性化微博信息的问题,结合LDA主题模型,提出了一种基于用户动态兴趣和社交网络（DISN）的微博推荐方法.DISN方法首先引入时间函数,推断出用户的兴趣向量,通过对新发布的微博数据内容进行聚类分组,以用户兴趣向量筛选与用户最匹配的分组,随后以网格索引的形式对选定的分组中微博进行查询,计算微博发布者被目标用户关注的可能性并进行排序,最终形成推荐列表.实验验证了DISN方法较之传统方法更具有效性和高效性.     

基于聚类分析的微博用户标签自动生成

基于用户发表的微博内容进行标签的自动生成,主要研究的是基于聚类分析的用户标签自动生成.本文首先介绍用到的关键技术:聚类技术和TextTank,提出了Baseline系统,接下来详细说明了基于聚类分析的标签自动生成方法,最后通过实验对该方法进行了分析和评价.实验结果表明,该方法生成的用户标签能够有效地解决同义标签的堆积问题,使得生成的标签能够在更多的维度上体现用户的兴趣.     

融合用户社交网络数据的推荐研究

针对社交网络数据在改善推荐效果方面的问题,梳理了融合社交网络数据的推荐,在改善推荐效果方面的方法以及逻辑思路,首先,说明和分析了社交网络的框架以及社会化推荐的概念;然后,根据形成社交网络的主要作用因素不同,分别从基于用户信任的社交网络推荐、基于位置社交网络的兴趣点推荐两个角度出发,归纳,分析其如何融合用户的社交网络信息来提高推荐的准确性,多样性,改善模型运行效率,从而提高推荐质量。     

一种融合用户偏好和社交活跃度的推荐算法

为有效解决传统推荐算法精度低的问题,提出了一种融合用户偏好和社交活跃度的概率矩阵分解推荐算法(Probabilistic Matrix Factorization Recommendation Algorithm Combining User Prefer-ence and Social Activity,UPSA-P...     

融合用户信任度和相似度的基于核心用户抽取的鲁棒性推荐算法

推荐系统可以方便地帮助人们做出决策,然而,目前很少有研究考虑到剔除不相关噪声用户的影响,保留少量核心用户做推荐。该文提出基于信任关系和兴趣相似度的核心用户抽取的新方法。首先计算所有用户对之间的信任度和兴趣相似度并且排序,然后根据用户在最近邻列表中出现的频率和位置权重两种策略选择候选核心用户集合,最后利用用户的推荐能力筛选出最终的核心用户并且做推荐。实验表明利用核心用户做推荐的有效性,并且证明了利用20%的核心用户做推荐,可以达到超过90%的准确性,而且利用核心用户做推荐能很好地抵御托攻击对推荐系统造成的负面影响。

     

基于用户兴趣和推荐信任域的微博推荐

向用户推荐其感兴趣的微博,是改善用户体验的重要途径.为使推荐的微博更加符合用户的兴趣和品味,提出的微博推荐方法不仅考虑用户自身的特点,而且还考虑所在社区对微博的评价.在技术实现上,采用支持向量机进行文本分类,以便发现用户的兴趣偏好;通过多维Newman算法进行用户社区的发现,并将社区视为推荐信任域.最后采用改进的协同过滤算法综合用户兴趣偏好和推荐信任域进行微博推荐,以此提高微博推荐的质量.实验结果表明,提出的微博推荐方法是切实有效的.     

一种融合用户关系的自适应微博话题跟踪方法

针对微博口语化、文本短小等特点以及现有研究的不足,本文提出了一种融合用户关系的自适应微博话题跟踪方法.首先,在当前跟踪的时间窗内,推文被映射到特征空间,并作为候选推文集合.然后,针对推文的分布特点以及话题跟踪的目的,变换推文特征空间.在此基础上,利用改进的K-means聚类算法对候选推文集合进行二元聚类,从而划分出相关推文集合,即当前话题目标模型.本文通过Twitter平台获取数据进行实验,实验结果表明,该方法能够实时地跟踪话题热度的变化以及焦点的演变,并提高了微博中话题跟踪的稳定性.该方法为用户推荐、舆情分析等领域提供了有效的支撑.     

基于用户行为认知的在线社交网络协同推荐

近年来,在线社交网络成为人们工作、生活不可或缺的信息共享与交流工具,如何对海量庞杂、大范围时空关联的用户行为信息进行认知并据此提供个性化的推荐服务,已成为在线社交网络发展重点关注的问题。为此,提出了一种基于用户行为认知的在线社交网络协同推荐框架,在对用户特征、文本信息及兴趣偏好等行为进行认知的基础上,利用协同过滤算法,实现个性化的推荐服务。实验结果验证了提出的基于用户行为认知的协同推荐策略具有较好的稳定性和实际应用效果。     

微博数据获取技术及展望

作为一种新兴的社会媒体形式,微博集博客、媒体、即时通讯功能于一身,兼具平台多样、传播迅速、交互性强等特点,在舆论传播方面发挥了重要作用。文中介绍了微博的基本概念,系统概括了微博数据获取的主流方法,总结了微博数据获取条件的选择方法和微博数据的表达方法,并讨论了数据获取中的瓶颈问题,给出了该领域中尚需解决的关键问题以及未来的发展方向。     

融合标签平均划分距离和结构关系的微博用户可重叠社区发现

提出了一种融合标签平均划分距离和结构关系的微博用户可重叠社区发现算法.首先从信息论与距离的概念出发,定义基于核心标签平均划分距离的准划分算法;再根据用户关注关系定义结构属性向量,并计算用户结构相异度,进而对核心标签平均划分距离和用户结构相异度进行权重调节,得到综合划分相异度;最后将综合划分相异度最低的标签所划分出的分组作为本次循环的新社区;实验表明,该方法能够识别可重叠社区且具有实际应用意义.     

基于用户群组行为分析的视频推荐方法研究

该文采用权重增量及相似聚集的用户行为分析算法,为用户推荐个性化视频提供了一个有效的解决方案。方法包含3个主要部分,首先利用RFM(Recentness, Frequency, Monetary amount)模型分析用户的行为,将相同行为的用户归为一组;然后结合用户的最近习惯,使用基于权重增量的Apriori算法挖掘用户之间的关联规则,并用向量空间模型进行相似度计算从而实现用户相似聚集;最后进行协同过滤式推荐,完成整体个性化视频推荐过程。该方法的特点是行为数据自动收集获取,避免了直接对视频大数据的处理;另外,视频推荐随着用户行为的改变而动态变化,更加符合实际情况。实验结果表明,该方法有效并且稳定,相比于单一推荐方法,在准确率、召回率等综合指标上均有明显提升。     

基于上下文相似度和社会网络的移动服务推荐方法

针对传统的基于协同过滤的移动服务推荐方法存在的数据稀疏性和用户冷启动问题,提出一种基于上下文相似度和社会网络的移动服务推荐方法(Context-similarity and Social-network based Mobile Service Recommendation,CSMSR).该方法将基于用户的上下文相似度引入个性化服务推荐过程,并挖掘由移动用户虚拟交互构成的社会关系网络,按照信任度选取信任用户;然后结合基于用户评分相似度计算发现的近邻,分别从相似用户和信任用户中选择相应的邻居用户,对目标用户进行偏好预测和推荐.实验表明,与已有的服务推荐方法TNCF、SRMTC及CF-DNC相比,CSMSR方法有效地缓解数据稀疏性并提高推荐准确率,有利于发现用户感兴趣的服务,提升用户个性化服务体验.     

支持Web2.0标签层次体系构建的关系识别及层次组合方法研究

从标签系统中生成层次体系可以支持多种类型的应用，具备重要的意义.当前的研究主要集中于发现标签间的关系，但对如何利用这些关系形成高质量的层次体系却关注不足.针对这一现状，研究了支持Web 2.0标签层次体系构建的关系识别及层次组合方法，通过分析并识别已发现的标签间关系所具有的不同类型提升了标签间关系的质量，并提出基于语义流动分析的层次组合方法实现了更高质量的层次体系构建.应用多种评估指标的实验结果表明应用关系识别及使用语义流分析方法可以获得相比评估方法更高质量的标签层次体系.     

基于能量优化的微博用户转发行为预测

微博用户转发行为预测是微博社交网络消息扩散模型构建的基础,在舆情监控、市场营销与政治选举等领域有着广泛的应用.为了提高用户转发行为预测的精度,本文在MRF（Markov Random Field）能量优化框架下综合分析了用户属性与微博内容特征、用户转发行为约束、群体转发先验等因素对用户转发行为的影响,并在逻辑回归模型的基础上构造了相应的能量函数对用户转发行为进行了全局性的预测.实验结果表明,微博用户转发行为不仅取决于用户属性、微博内容等特征,而且也受到用户转发行为约束、群体转发先验等因素不同程度的影响.相对于传统算法,本文算法可以更准确地对用户转发行为进行建模,因而可获得更好的预测结果.     

Development of Comment Correlation Matrix for Mobile Application Recommendation

As the evolution of mobile technology, mobile devices have become an essential tool in people's daily life. Moreover, with the rapid growth of Internet and mobile networks, people can easily access various services provided by mobile platforms. Many services can be executed on the mobile devices with various mobile applications launched to mobile platforms. People can choose what they like to install in their mobile devices and hence make their life more convenient, entertaining, and productive. However, there are too many mobile applications for users to choose. The goal of this research is to propose a methodology which can recommend top-N lists for mobile applications. A comment correlation matrix is proposed. Furthermore, a recommendation algorithm for mobile applications based on user comments and key attributes is built. With the proposed method, it outperforms Google play and is closer to user real feelings.