基于背景和内容的微博用户兴趣挖掘

微博用户兴趣挖掘是个性化推荐、社群划分的基础工作.在深入分析微博网络特点的基础上,给出了能够揭示微博网络多模性的描述模型,对面向微博网络的后续研究具有参考价值.根据微博网络的特点,提出了基于背景的用户静态兴趣表示及挖掘方法,以及基于微博的用户动态兴趣表示和挖掘方法.针对微博网络中缺少背景信息、发表微博很少的大量不活跃用户,提出了基于关注的用户兴趣挖掘方法.以新浪微博为例,选取了时尚、企业管理、教育、军事、文化这5个领域进行用户兴趣挖掘及相似度计算的实验分析和比较,结果表明,与主流的兴趣挖掘方法相比,该微博用户兴趣的表示和挖掘方法可以有效地改善微博用户兴趣挖掘的效果.     

基于相似主题和HITS的微博用户推荐算法研究

为了准确地为微博用户推荐相近兴趣领域的重要用户,有效提高用户对微博平台的依赖度。该文对传统的HITS算法进行了改进: 通过分析微博用户社交网络结构,运用改进算法将微博用户划分为3类,在微博主题相似度计算中引入用户的权威度和中心度,最后根据用户类别进行微博用户推荐。实验中,使用爬取的微博数据对传统的推荐算法和该文的改进算法进行对比实验,由于所提算法在分析过程中考虑了用户结构信息、用户的权威度与中心度等多种因素,因而在准确率、召回率、F1值上均有明显提高。     

基于分层社交关系的微博推荐算法

针对现有微博推荐中未考虑分层关系对兴趣影响的问题,提出一种基于分层社交关系的微博推荐算法.首先基于时间窗口计算相对亲密强度与社交增长率来构建分层网络;其次在网络中量化影响力、吸引力、交互紧密度来挖掘目标用户潜在兴趣;然后依据短文本扩展策略获取目标用户显性兴趣;最后将潜在兴趣与显性兴趣融合,计算融合兴趣与待推荐微博的相似度实现推荐.实验结果表明,与经典的微博推荐方法相比,该算法在准确率、召回率、F值、MRR上均优于其他方法,最高提高了14.73％.由实验结果可知,综合考虑潜在兴趣和显性兴趣可以提高微博推荐效果.     

一种基于用户反馈的时间感知推荐方法

将社交网络的动态性和用户反馈信息融入到推荐方法中,提出一种基于用户反馈的时间感知推荐方法。该方法利用时间衰减因子对带有时间加权的动态社交网络进行兴趣衰减分析,使时间间隔较近用户的选择行为对资源对象的推荐作用获得较高的贡献度,体现用户兴趣的时间效应特性。扩展相似度计算方法,将用户反馈表示为正反馈信息和负反馈信息,考虑用户反馈信息对推荐方法的影响。通过在社交网络真实推荐数据集上的对比实验,结果表明该方法优于基于协同过滤的推荐方法。     

在物联网中基于社交网络方法的用户生成业务框架研究

用户生成业务(简称UGS),意为普通用户不用编程仅通过简单操作便可自己创建个性化业务。目前该技术在互联网中得到了一定的应用。社交网络的风靡给人与人之间的联系提供了丰富的数据,基于这些数据可以分析用户间的相似度,从而为相似的用户推荐业务。本文研究了传统基于社交网络的用户生成业务框架和应用在物联网环境时传统框架的不足。提出了一个基于动态社交网络的动态社交网络用户生成业务系统框架,提升了用户生成业务系统在物联网业务环境中的性能。     

基于排序学习的微博用户推荐

该文在分析总结影响微博用户推荐的四大类信息,包括用户的内容信息、个人信息、交互信息和社交拓扑信息的基础上,提出一个基于排序学习的微博用户推荐框架,排序学习的本质是用机器学习中的分类或回归方法解决排序问题,该框架可以综合各类信息特征进行用户推荐。实验结果表明 (1)融合多个特征综合推荐通常可以取得更好的推荐效果;(2)基于用户个人信息、交互信息、社交拓扑信息的推荐效果均好于基于用户内容的推荐效果。     

基于知识图谱和重启随机游走的跨平台用户推荐方法

针对单一社交网络平台中推荐相似用户结果单一,对用户兴趣和行为信息了解不够全面的问题,提出了基于知识图谱和重启随机游走的跨平台用户推荐方法（URCP-KR）。首先,在分割、匹配出的目标平台图谱和辅助平台图谱的相似子图中,利用改进的多层循环神经网络（RNN）预测出候选用户实体,再综合利用拓扑结构特征相似度和用户画像相似度筛选出相似用户;然后,将辅助平台图谱中的相似用户的关系信息补全到目标平台图谱;最后,计算目标平台图谱中的用户游走到社区内每个用户的概率,从而得到用户之间的兴趣相似度来实现用户推荐。实验结果表明,与协同过滤（CF）算法、基于跨平台的在线社交网络用户推荐算法（URCP）和基于多开发者社区的用户推荐算法（UR-MC）相比,URCP-KP在推荐精确率及推荐多样性等方面均有所提高,推荐精确率最高可达95.31%,推荐覆盖率最高可达88.42%。     

基于认知度与兴趣度的好友推荐反馈算法

针对现有的好友推荐算法在好友关系刻画上丢失重要信息的现状,受用户对物品认知行为的启发,文中提出基于认知度与兴趣度的好友推荐反馈算法,使用混合相似度研究网络好友关系,探索在线社交网络中的交友问题.针对好友推荐过程中"开环"的问题,提出基于历史推荐信息的正负反馈优化调整策略,使用用户相似度修正公式研究好友反馈动态推荐,证明...     

基于传播树的微博推荐模型

针对目前微博推荐模型未考虑传播特征的问题,提出一种基于传播树的微博推荐模型。首先利用树结构对微博传播特征进行表示,由内容、时间和用户三方面特征构成树的节点,以微博的转发和评论关系作为树的边;然后基于节点间关联关系和层次关系分别计算待评估微博传播树与目标用户每棵微博传播树的传播路径相似度和传播层相似度,以此量化两棵传播树间的结构相似度;最后根据相似度大小对所有待评估微博进行排序,生成推荐列表,实现微博推荐。实验结果表明,与未考虑传播特征的微博推荐模型相比,该模型在准确率、召回率和F1值上分别提升13.0%、9.6%和10.7%,合理利用微博传播特征可以提升推荐结果的可靠性,增强用户体验感。     

结合用户兴趣的微博信息传播模式挖掘*

由于信息传播模型是社区挖掘、社区影响力研究的基础,文中提出结合用户兴趣的信息传播模型,设计基于频繁子树的信息传播微观模式挖掘方法.首先,基于微博社交网络图表示及用户多标签建模,将微观信息传播模式转换为频繁子树挖掘问题.然后,针对微博社交网络图单节点多标签特性,设计多标签节点树的频繁子树挖掘算法(MLTreeMiner).最后,结合主题提取方法,使用MLTreeMiner挖掘信息传播模式.在人工数据集上的实验表明,MLtreeMiner能高效地对多标签节点树进行频繁子树挖掘.针对新浪微博真实数据的实验也验证方法的有效性.     

基于多源信息相似度的微博用户推荐算法

针对传统的协同过滤（CF）推荐算法中存在的数据稀疏性和推荐准确率不高的问题,提出了基于多源信息相似度的微博用户推荐算法（MISUR）。首先,根据微博用户的标签信息运用K最近邻（KNN）算法对用户进行分类;然后,对得到的每个类中的用户分别计算其多源信息（微博内容、交互关系和社交信息）的相似度;其次,引入时间权重和丰富度权重计算多源信息的总相似度,并根据其大小进行TOP-N用户推荐;最后,在并行计算框架Spark上进行实验。实验结果表明,MISUR算法与CF算法和基于多社交行为的微博好友推荐算法（MBFR）相比,在准确率、召回率和效率方面都有较大幅度的提升,说明了MISUR算法的有效性。     

微博网络用户的活跃性判定方法

推荐系统的冷启动问题是近期的研究热点,而用户的活跃性判定是冷启动问题的基础。已有方法在判定用户的活跃性时,单纯地考虑了用户发表信息量,对社交媒体的社交关系及行为等特征利用不够。该文面向微博网络,提出了系统的用户活跃性判定方法,创新性主要体现在: (1)提出了微博网络影响用户活跃性的四类指标,包括用户背景、社交关系、发表内容质量及社交行为,避免了仅仅使用用户发表信息数量判定用户是否活跃的粗糙方式;(2)提出了用户活跃性判定流程,提出了基于四类指标的用户与用户集的差异度计算模型。以新浪微博为例,选取了学术研究、企业管理、教育、文化、军事五个领域的900个用户作为测试集,使用准确率P、召回率R及F值为评价指标,进行了实验分析和比较。结果显示,该文所提用户活跃性判定方法的准确率P、召回率R、F值比传统的判定方法分别提高了21%、13%和16%,将该文所提方法用于用户推荐,得到的P、R和F值比最新的方法分别提高了5%、2%和3%,验证了所提方法的有效性。     

基于热扩散影响力传播的社交网络个性化推荐算法

有针对性地为用户提供推荐,提高互联网信息利用率是个性化推荐系统的主要目标.文中基于热扩散传播概率模型,结合用户在社交网络中隐含的跟随关系,提出基于热扩散影响力传播的社交网络个性化推荐算法.首先,算法将现实生活中人与人的朋友关系转化为购物网络中用户与用户的跟随关系,构建异构信息网络图,计算用户之间的复合相似度.然后,利用基于热扩散概率模型模拟社会网络中影响力的传播过程,计算社交网络中用户的跟随概率分数并精确排序,筛选与目标用户相似的邻近用户.最后,根据目标邻近用户对各个产品的评分,将评分较高、具有潜在兴趣的产品推荐给目标用户,实现个性化的用户推荐.在公开数据集上与现有的个性化推荐算法进行对比,实验表明,文中算法具有较好的精确度和多样化的推荐效果.     

社交网络用户标签预测研究

随着社交网站的流行以及用户的大规模增加,社交网络用户行为分析已经成为社交网站进行网站维护、性能优化和系统升级的重要基础,也是网络知识挖掘和信息检索的重要研究领域。为了更好地理解社交网络用户添加个人标签的行为特征,该文基于大约263万个微博用户的真实数据,对用户标签的分布进行了研究和分析。我们主要考察了用户标签的宏观分布特征,以及用户标签与关注对象的标签分布之间的联系,发现微博用户给自己添加标签时,在开始阶段倾向于使用反映个性的标签,之后会出于从众心理而选用大众化标签。我们将研究发现运用到基于关注关系的标签预测算法中,结果证实相关分析对于社交网站的标签推荐等课题具有一定的参考意义。     

基于微博用户评论和用户转发的数据挖掘

随着微博的日趋流行,微博网站已成为海量信息的发布体,对微博的研究也需要从单一的用户关系分析向微博用户及其转发内容的挖掘进行转变,该文提出了一种新的方法挖掘微博用户评论和所转发微博的文字信息,将被用户关注的层面发掘出来,从而并产生推荐。     

一种基于用户互动话题的微博推荐算法

随着社交网络的发展,微博逐渐成为人们获取信息的重要来源。然而随着用户的增多,微博中的信息过载问题也越来越严重,如何快速准确地为用户推荐感兴趣的微博已经成为研究的热点。与传统的推荐技术不同,微博中的用户具有天然的社交关系,这为推荐算法提供了额外的用户信息,因此,融合了用户社交关系的社会化推荐方法日益受到重视。但是,现有的方法大多只利用了固定的用户社交关系或简单的互动行为,事实上,用户互动行为的出发点必然是用户与好友的共同兴趣,具有明显的话题相关性。该文从话题层面来分析用户的互动关系,提出了度量互动关系在话题上强弱度的方法,通过有效地融合互动关系的话题特征,最终提出了改进的微博推荐模型IBCF。实验结果表明,与现有的社会化推荐方法相比,该文提出的新方法在MAP和NDCG等指标上取得了更好的推荐效果,而且为推荐结果提供了更明确的可解释性。     

构建微博用户兴趣模型的主题模型的分析

分析了不同的主题模型,通过实验比较了3种主题模型构建的微博用户兴趣模型的性能。实验结果表明:TwitterLDA适用于新文档或新用户的预测,AuthorLDA产生的主题具有较高的区分度,而UserLDA和AuthorLDA能更好地反映出用户的社交网络关系。上述工作为进一步研究主题模型如何应用于微博的个性化信息推荐、情感分析和话题检测与跟踪等文本挖掘应用奠定了基础。     

融合兴趣的微博用户相似度计算研究

针对传统基于用户的博文内容和共同好友数在计算微博用户的相似度时存在潜在误差过大的问题、而基于用户多源背景信息的相似度计算模型有计算复杂度高且忽略了用户的兴趣等问题,提出了一种结合用户兴趣和背景信息的综合相似度计算方法（BIBS）。首先从用户的标签中提取用户的兴趣,当用户的标签缺失时,通过对用户关注关系网络中的重要用户聚类来间接获取用户的兴趣点,以此计算用户的兴趣相似度;其次根据用户的性别、年龄和地点等背景属性计算用户的背景相似度,层次化地挖掘出最相似的用户;最后基于新浪微博的数据进行实验分析。结果表明,与基于多源信息相似度的微博用户推荐算法（MISUR）相比,该方法在用时更少的情况下,准确率、召回率和◢F◣值分别提高了8.1%、16.7%和13.6%,证明了提出的BIBS方法的有效性和准确性。     

基于神经网络嵌入和动态社交的新闻推荐算法

传统基于社交网络的推荐系统均假设社交网络为静态的拓扑结构,而实际社交网络存在动态演化的特点.针对这种情况,设计一种基于神经网络嵌入和社交网络动态演化的新闻推荐算法.采用神经网络嵌入模型学习用户在时间域和社交网络域的动态表示;利用核映射将高维的动态表示映射至低维的向量空间;从时域和网络拓扑两个上下文识别局部的核心.基于新浪微博数据完成了新闻推荐实验,结果表明,引入用户时域行为信息能够增强协同过滤推荐算法的性能.     

基于SSD和时序模型的微博好友推荐算法

社交网络用户的指数型增长,导致用户在网络中难以找到适合自己的好友.提出一种基于多目标检测算法SSD和时序模型的微博好友推荐算法BSBT-FR,首先利用SSD对搜集到的用户图像进行信息提取,再利用时序模型在时间维度上对提取到的信息做进一步处理,然后利用JS散度公式计算用户间的相似度,最后与基于用户个人信息得出的相似度进行加权式融合,得出综合的用户相似度,使用Top-K思想进行用户推荐.在新浪微博用户数据集上的实验表明,参考因素的权重取值会影响推荐结果,BSBT-FR算法与只考虑用户属性或用户图像的算法相比,精准度更高.