基于信息流动模型的个性化社交内容推荐

摘要

随着信息化社会的不断深入，社交网络已经成为了人们日常生活中不可分割的一部分，比如国内的新浪微博，人人网，以及国外的Facebook，Twitter，LinkedIn等等。在这些社交网站中，用户不仅可以发布自己最新的状态和消息，还可以将它们分享给好友。此外，用户也可以通过自己的主页，浏览到好友的最新消息。这种信息分享机制是有利有弊的。一方面，通过这种机制，一些热门的信息会更快地传递给用户，使得用户能够更快地获得最新的消息。而另一方面，过快的信息流动使得用户可能在一天之内收到几百甚至上千条信息。这种信息过载问题给用户带来了很大的困扰，因为他们真正需要的信息被埋没在众多无用信息当中。在过去的一些研究中，不少方法可以在一定程度上解决这个问题，其中包括协同过滤方法和信息流动模型。这两种经典的方法从不同的角度出发预测了用户会喜欢什么样的信息。但是它们的缺点在于都只能利用一部分的有效信息进行预测。在这篇论文中，我们提出了一种新的方法来解决信息过载的问题。它不但融合了协同过滤的优势，而且借助了信息流动时的特征。我们的论文主要有三方面的贡献。首先，我们提出了一系列的特征来描述信息流动的特点。其次，我们提出了一个新的模型，同时融合了协同过滤和信息流动模型的优势。最后，我们在两个真实的数据集上进行了实验。实验结果表明我们新模型的效果要远胜于之前最好的方法。

目录

封面

声明

中文摘要

英文摘要

目录

主要符号对照表

第一章 引言

1.1 背景

1.2 研究意义

1.3 研究方法

1.4 论文框架

1.5 本章总结

第二章 相关工作

2.1 个性化推荐系统

2.2 信息流动模型

2.3 协同过滤方法

2.4 本章小结

第三章 信息流动中的特征

3.1 信息流动特征概述

3.2 和流行度相关的特征

3.3 和邻居相关的特征

3.4 本章总结

第四章 基于信息流动的推荐模型

4.1 概述

4.2 基于信息流动模型的矩阵分解

4.3 线性叠加的融合方法

4.4 本章总结

第五章 模型训练

5.1 模型训练方法

5.2 本章总结

第六章 实验部分

6.1 数据集

6.2 评测标准

6.3 新浪微博数据集的评测结果

6.4 Twitter数据集的评测结果

6.5 本章总结

第七章 总结与展望

参考文献

致谢

攻读学位期间发表的学术论文目录

攻读学位期间参与的项目