本文關(guān)鍵詞：基于主題和關(guān)系的社交網(wǎng)絡(luò)潛在好友推薦研究，由筆耕文化傳播整理發(fā)布。

【摘要】：社交網(wǎng)絡(luò)（Social Network Site, SNS）作為Web2.0時代的典型應(yīng)用，在世界各地迅速流行起來，現(xiàn)已成為人們?nèi)粘Ｉ钪胁豢苫蛉钡囊徊糠�。在社交網(wǎng)絡(luò)中，用戶通過添加、關(guān)注好友等方式建立和拓展屬于自己的社交圈，從而進(jìn)行互動交流以及信息分享。然而隨著社交網(wǎng)絡(luò)規(guī)模的擴(kuò)大以及用戶數(shù)量的急劇增長，尋找好友、拓展自己的社交圈對普通用戶來說變得越來越困難。為了解決社交網(wǎng)絡(luò)信息過載問題，社交網(wǎng)絡(luò)好友推薦系統(tǒng)應(yīng)運(yùn)而生。研究表明，社交網(wǎng)絡(luò)中的用戶不僅與現(xiàn)實生活中認(rèn)識的朋友建立聯(lián)系，還希望通過社交網(wǎng)絡(luò)這個平臺添加、關(guān)注一些有著相同興趣愛好的新朋友。然而目前對于這類興趣相似的“潛在好友”的推薦研究較少，且沒有SNS網(wǎng)站提供潛在好友推薦的功能，這極大程度上抑制了社交網(wǎng)絡(luò)的發(fā)展。為進(jìn)一步滿足用戶基于興趣的交友需求，本文以微博為例，將研究重點(diǎn)放在“潛在好友”的推薦上。 目前社交網(wǎng)絡(luò)好友推薦的方法中，基于關(guān)系的好友推薦所推薦的好友數(shù)量和范圍非常有限，而基于內(nèi)容的好友推薦所推薦好友的接受率和認(rèn)可率較低。因此本文提出一種混合推薦模型，以期提高推薦效果。本文將主題模型引入到基于內(nèi)容的推薦中，以解決傳統(tǒng)向量空間模型（VSM）存在的不足。在主題推薦模塊中，采用一種適用于社交網(wǎng)絡(luò)的UserLDA模型，將同一位用戶的所有微博文本聚集成一個用戶文檔，并采用Collapsed吉布斯抽樣方法估計參數(shù)，將用戶文檔的在特征詞上的向量轉(zhuǎn)換成該用戶在主題上的概率分布，以此體現(xiàn)其在隱藏“主題”上的興趣偏好，從而根據(jù)用戶的主題概率分布進(jìn)行興趣相似度的計算。在關(guān)系推薦模塊中，將根據(jù)用戶的鏈接關(guān)系網(wǎng)絡(luò)計算關(guān)系相似度的過程看作是鏈接預(yù)測問題，對RA指數(shù)和Jaccard系數(shù)進(jìn)行改進(jìn)，使其適用于有向網(wǎng)絡(luò)中，從計算用戶之間的關(guān)系相似度。最后對兩個推薦模塊產(chǎn)生的相似度進(jìn)行線性加權(quán)，根據(jù)得到的綜合相似度向目標(biāo)用戶進(jìn)行TOP-N潛在好友推薦。 為了驗證本文提出模型的有效性，將其應(yīng)用于真實的新浪微博數(shù)據(jù)中，，并與基于內(nèi)容的傳統(tǒng)向量空間模型以及基于關(guān)系的兩階段好友推薦模型進(jìn)行實驗對比，實驗結(jié)果證明本文提出的混合推薦模型比其它模型具有較高的F1值，即能產(chǎn)生更好的推薦效果。
【關(guān)鍵詞】：社交網(wǎng)絡(luò) 潛在好友 好友推薦 主題模型 鏈接預(yù)測 Top-N推薦
【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：F49
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 緒論11-18
• 1.1 研究背景11-12
• 1.2 社交網(wǎng)絡(luò)12-15
• 1.2.1 社交網(wǎng)絡(luò)理論基礎(chǔ)12
• 1.2.2 社交網(wǎng)絡(luò)基本特征12-13
• 1.2.3 社交網(wǎng)絡(luò)分類13-14
• 1.2.4 微博14-15
• 1.3 研究目的及意義15
• 1.4 研究內(nèi)容15-16
• 1.5 章節(jié)安排16-17
• 1.6 本章小結(jié)17-18
• 第二章 相關(guān)研究綜述18-27
• 2.1 推薦系統(tǒng)研究綜述18-22
• 2.1.1 協(xié)同過濾推薦18-20
• 2.1.2 基于內(nèi)容的推薦20-22
• 2.2 社交網(wǎng)絡(luò)好友推薦研究綜述22-26
• 2.2.1 基于關(guān)系的好友推薦22-23
• 2.2.2 基于內(nèi)容的好友推薦23-24
• 2.2.3 混合推薦24-25
• 2.2.4 名人推薦25-26
• 2.3 本章小結(jié)26-27
• 第三章 主題模型27-37
• 3.1 主題模型的引入27-28
• 3.2 主題模型的發(fā)展28
• 3.3 標(biāo)準(zhǔn) LDA 模型28-31
• 3.3.1 LDA 模型示意圖29-30
• 3.3.2 LDA 模型文檔生成過程30
• 3.3.3 LDA 模型參數(shù)估計30-31
• 3.4 一種應(yīng)用于社交網(wǎng)絡(luò)的 LDA 擴(kuò)展模型31-36
• 3.4.1 用戶文檔的構(gòu)建與表示32-33
• 3.4.2 UserLDA 主題建模33-34
• 3.4.3 UserLDA 參數(shù)估計34-36
• 3.5 本章小結(jié)36-37
• 第四章 基于主題和關(guān)系的社交網(wǎng)絡(luò)潛在好友推薦模型37-47
• 4.1 問題引出37
• 4.2 推薦模型框架37-39
• 4.3 基于鏈接預(yù)測的關(guān)系推薦模塊39-42
• 4.3.1 鏈接預(yù)測問題39
• 4.3.2 社交網(wǎng)絡(luò)表示39-40
• 4.3.3 改進(jìn)的 RA 指數(shù)40-41
• 4.3.4 改進(jìn)的 Jaccard 系數(shù)41-42
• 4.3.5 關(guān)系相似度計算42
• 4.4 基于 UserLDA 模型的主題推薦模塊42-46
• 4.4.1 UserLDA 模型輸入43
• 4.4.2 參數(shù)估計43-45
• 4.4.3 興趣相似度計算45-46
• 4.5 綜合相似度計算46
• 4.6 本章小結(jié)46-47
• 第五章 實驗及結(jié)果分析47-59
• 5.1 實驗平臺47
• 5.1.1 實驗環(huán)境47
• 5.1.2 相關(guān)工具47
• 5.2 實驗數(shù)據(jù)47-52
• 5.2.1 數(shù)據(jù)采集48-50
• 5.2.2 數(shù)據(jù)預(yù)處理50-52
• 5.3 評價指標(biāo)52-53
• 5.4 實驗設(shè)計和結(jié)果分析53-58
• 5.4.1 UserLDA 主題模型分析53-56
• 5.4.2 潛在好友推薦及結(jié)果分析56-57
• 5.4.3 對比實驗及結(jié)果分析57-58
• 5.5 本章小結(jié)58-59
• 第六章 總結(jié)與展望59-61
• 6.1 工作總結(jié)59
• 6.2 不足與展望59-61
• 6.2.1 本文存在的不足59-60
• 6.2.2 展望60-61
• 致謝61-62
• 參考文獻(xiàn)62-65
• 附錄65

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 羅寧;徐俊剛;郭洪韜;;基于Lucene的中文分詞模塊的設(shè)計和實現(xiàn)[J];電子技術(shù);2012年09期

2 張晨逸;孫建伶;丁軼群;;基于MB-LDA模型的微博主題挖掘[J];計算機(jī)研究與發(fā)展;2011年10期

3 東昱曉;柯慶;吳斌;;基于節(jié)點(diǎn)相似性的鏈接預(yù)測[J];計算機(jī)科學(xué);2011年07期

4 余力,劉魯;電子商務(wù)個性化推薦研究[J];計算機(jī)集成制造系統(tǒng);2004年10期

5 張小平;周雪忠;黃厚寬;馮奇;陳世波;;基于詞相似性與CRP的主題模型[J];模式識別與人工智能;2010年01期

6 賀超波;湯庸;陳國華;劉海;吳琳琳;;面向大規(guī)模社交網(wǎng)絡(luò)的潛在好友推薦方法[J];合肥工業(yè)大學(xué)學(xué)報(自然科學(xué)版);2013年04期

7 胡愛娜;;基于MapReduce的分布式EM算法的研究與應(yīng)用[J];科技通報;2013年06期

8 張志飛;苗奪謙;高燦;;基于LDA主題模型的短文本分類方法[J];計算機(jī)應(yīng)用;2013年06期

9 謝昊;江紅;;一種面向微博主題挖掘的改進(jìn)LDA模型[J];華東師范大學(xué)學(xué)報(自然科學(xué)版);2013年06期

10 陳克寒;韓盼盼;吳健;;基于用戶聚類的異構(gòu)社交網(wǎng)絡(luò)推薦算法[J];計算機(jī)學(xué)報;2013年02期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 邢星;社交網(wǎng)絡(luò)個性化推薦方法研究[D];大連海事大學(xué);2013年

  本文關(guān)鍵詞：基于主題和關(guān)系的社交網(wǎng)絡(luò)潛在好友推薦研究，由筆耕文化傳播整理發(fā)布。

本文編號：405564