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.     

融合兴趣和行为的用户转发行为预测

微博转发是微博网络中信息得以传播的基础,对用户影响力评估以及网络营销等具有重要意义。现有的方法在考虑影响用户转发行为的因素时,大多只考虑微博以及用户属性等特征,没有考虑用户兴趣和用户历史行为规律等个性化特征,本文提出了基于LDA主题模型的用户兴趣与微博相似度计算方法,将计算结果作为用户兴趣特征,还提出了基于用户转发率、与上游用户交互频率的用户历史行为特征,最后融合用户兴趣特征、用户历史行为特征、上游用户特征、微博特征,建立基于几种常见分类模型的预测方法,在真实数据集上的实验结果表明,该方法能够有效提升预测准确性,取得较好的预测效果。     

一种基于隐语义模型的协同过滤算法

传统的协同过滤算法忽略了用户对项目的兴趣度这一重要特征,对此提出了一种新的概率生成模型.综合考虑了用户对项目的兴趣度和用户对项目的评分模式两种因素,并在此基础上设计了一种度量指标进行推荐,实验证明与传统的协同过滤算法相比,该方法能够获得更好的推荐效果.     

融合标签关联关系与用户社交关系的微博推荐方法

通过分析微博特点及现有微博推荐算法的缺陷,提出一种融合了标签间关联关系与用户间社交关系的微博推荐方法.采用标签检索策略对未加标签和标签较少的用户进行加标,构建用户-标签矩阵,得到用户标签权重,为了解决该矩阵中稀疏的问题,通过挖掘标签间的关联关系,继而更新用户-标签矩阵.考虑到多用户之间社交关系对挖掘用户兴趣并进行微博推荐的重要性,构建用户-用户社交关系相似度矩阵,并与更新后的用户-标签矩阵进行迭代,得到最终的用户兴趣并进行相关推荐.实验证明了该算法针对微博信息推荐是有效的.     

面向新浪微博的信息溯源技术研究

随着微博的高速发展,微博信息溯源成为信息内容安全管理的重要研究内容之一.此前的信息溯源研究中,事件数据纯度不高,且用户影响力涉及的因素考虑得不够全面,本文即针对以上问题进行研究.首先,由于微博信息采集过程中,得到的数据纯度较低,对大量的新浪微博数据进行事件聚类,得到某一具体事件的相关微博.接着,为了得到更合理的用户影响力数值,针对具体事件涉及到的用户,考虑多个因素,进行用户影响力分析,得到用户的影响力数值.最后,综合考虑微博的发布时间和用户影响力数值,使用Hacker News排序算法,对具体事件进行信息溯源.最终分析得出了事件传播过程中,发布时间较早,且用户影响力较大的一篇微博为事件源头.     

基于隐语义模型的协同过滤图书推荐方法

针对协同过滤算法难以处理高维度以及稀疏数据等问题,提出了一种基于隐含语义分析的协同过滤图书推荐算法,该算法融合了用户的显性反馈与隐性反馈信息,考虑了用户在预览图书的时间以及用户与用户之间的相似度,有效地降低了矩阵的维度和稀疏性,提高了算法的精度,运用统计的方法来发现用户对图书使用过程中潜在的语义结构,分析用户对图书的兴趣度,帮助用户快速发现感兴趣和高质量的图书,使图书能够准确地推荐给用户,并提升用户体验。在Book-Crossing数据集上进行测试,实验结果表明,该算法具有一定的优势。     

基于有限计算环境的推荐信息过滤算法

推荐信息泛滥严重影响了移动智能终端的用户体验,而有限计算环境制约了移动推荐信息过滤模型与算法的研究.针对上述问题,结合用户画像技术与信息过滤方法,提出了一种基于有限计算环境的移动推荐信息过滤算法.该算法通过用户轨迹信息构建用户画像,根据用户画像与需求特征,对外界推荐的各类信息进行过滤,并最终进行二次推荐.仿真实验证明:...     

基于用户兴趣传播的协同过滤方法

推荐系统帮助用户过滤无用信息并预测其可能感兴趣的产品。在推荐系统中,协同过滤是应用最为广泛的方法之一。然而,传统的协同过滤方法是在产品维度上计算用户相似度,而且在计算相似度时无法考虑邻居用户的影响。因此,该类方法往往受到高维度、数据稀疏等问题的困扰。为此,本文提出一种基于用户兴趣传播的协同过滤方法,在兴趣维度上计算用户相似度,同时考虑了兴趣在不同用户间的传播。该方法不仅可以有效防止冷启动和数据稀疏问题,而且具有较高的预测准确度。在标准数据集MovieLens上的测试结果表明了本文算法的有效性。     

基于多特征融合的微博用户权威度定量评价方法

微博用户权威度是评价微博信息可靠性的重要因素之一.本文针对微博用户权威度的定量计算提出了一种基于多特征融合的微博用户权威度定量评价模型.首先,提出了用户权威度的概念,将其定义为用户影响力和被信服度两部分组成;在暂不考虑用户领域影响因子的情况下,基于新浪微博数据,抽取出微博用户信息传播影响力、用户信息完整度、用户活跃度以及用户平台认证指数4项评价特征,以构建了用户权威度定量计算模型;然后,采用层次分析法对所构建模型的4项评价特征的权值进行确定,并分别给出了4项评价特征的提取算法.同时,在用户关注关系网络的基础上,提出了一种基于用户被关注价值的用户信息传播影响力模型UIRank,并通过实验验证了其比PageRank算法更加有效.实验结果表明,本文提出的微博用户权威度定量计算模型比较合理,为用户权威度的定量评价提供了一种可行的解决方案.