基于社交网络节点影响力的推荐方法

摘要

互联网为用户提供了大量有用信息，满足了用户在信息时代的各种需求。然而在面对大量的信息时，用户无法获取对自己真正有用处和感兴趣的信息，降低了信息使用效率。推荐技术能有效地为用户提供感兴趣和高质量信息，提升用户体验和用户粘性，减少重复信息，降低用户的厌恶感。微博作为应用广泛的社交网络，平台上活跃人数逐渐的增加，微博推荐技术已成为目前研究的热点之一。
　　目前，微博平台众多推荐算法中忽略了为用户推荐的微博主题概率分布与用户兴趣概率分布不一致、微博质量和多样性欠佳的问题。针对这点，本文提出了基于社交网络节点影响力的推荐方法。其主要研究内容:
　　该方法首先，为提高推荐的微博质量和增加微博的多样性，改进了MBUI-Rank影响力算法中动态特征的度量方法，在动态特征中考虑了用户传播影响力和粉丝影响力;并且在用户活跃度度量方法中加入了时间因素，使得近期活跃度增加的用户可以被发现;同时，提高兴趣、官方和自媒休认证用户的权值，将度量微博质量的方法从单一话题角度变成多话题角度，目的是挖掘出多类型的影响力用户，获得高质量和多类型微博。其次，由于SMLDA主题模型忽略了评论对主题的影响，本文在此模型的基础上对微博文本主题提取的精度进行了优化。优化的思想是在建构主题模型时结合用户交互行为和微博评论，达到了提升主题提取精度的效果，从而提高用户兴趣分布与微博主题分布的匹配程度，达到准确的为用户推荐感兴趣微博的目的。最后，利用Labeled-LDA主题模型，根据用户标签和历史信息计算用户兴趣分布，通过微博主题分布与用户兴趣分布相似性计算，生成推荐列表，实现本文所提出的基于节点影响力的推荐方法，改善推荐微博的主题分布与用户兴趣分布不一致的问题，达到提高推荐准确性和多样性的效果。
　　通过设计实验，将改进的MBUI-Rank影响力算法与传统的PageRank算法、MBUI-Rank算法进行实验对比，实验结果表明改进的MBUI-Rank算法的覆盖率较高;同时，将改进的SMLDA主题模型与SMLDA模型、LDA模型进行实验对比，通过实验结果分析改进的SMLDA模型困惑度较低;将本文基于社交网络节点影响力的推荐方法与基于其他影响力算法的推荐方法进行实验对比，通过实验结果分析，本文基于社交网络节点影响力的推荐方法在准确率、召回率和F1值都有所提高。

目录

声明

摘要

第1章绪论

1．1研究背景及意义

1．2国内外研究现状

1．2．1社交网络节点影响力研究现状

1．2．2推荐技术研究现状

1．2．3主题提取研究现状

1．3论文主要研究内容

1．4论文组织结构

第2章相关理论与研究方法

2．1社交网络节点影响力评估

2．1．1社会网络分析理论

2．1．2节点影响力评估方法

2．2推荐系统的主要方法

2．2．1基于内容的推荐算法

2．2．2基于协同过滤的推荐算法

2．2．3基于社交网络的推荐算法

2．3主题概率模型主要方法

2．3．1基本LDA模型概述

2．3．2 SMLDA模型概述

2．3．3 Labeled-LDA模型概述

2．4本章小结

第3章基于社交网络节点影响力的推荐方法

3．1基于社交网络节点影响力的推荐方法结构

3．2可行性分析

3．3基于MBUI-Rank算法的影响力用户挖掘

3．3．1矩阵计算

3．3．2基于MBUI-Rank的算法改进

3．4基于SMLDA模型的微博主题建模

3．4．1微博博文分析与数据预处理

3．4．2基于SMLDA主题模型的优化

3．5基于Labeled-LDA模型的微博用户兴趣提取

3．5．1微博用户数据分析与数据预处理

3．5．2基于Labeled-LDA用户兴趣建模

3．6基于社交网络节点影响力的推荐

3．6．1相似度计算

3．6．2基于社交网络节点影响力的推荐算法

3．7本章小结

第4章实验及结果分析

4．1 实验准备

4．1．1实验环境

4．1．2实验数据集

4．2 实现流程及评测标准

4．2．1实现流程

4．2．2评测标准

4．3 数据处理与实验分析

4．3．1用户影响力实验分析

4．3．2微博主题模型实验分析

4．3．3推荐效果实验分析

4．4 本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢