【摘要】：微博網(wǎng)站作為一種流行的社交媒體形式,在為用戶提供豐富信息和服務(wù)的同時,也帶來了信息超載問題。如何利用微博網(wǎng)絡(luò)為用戶推薦有價值的信息,以緩解信息超載問題變得日益重要。根據(jù)微博網(wǎng)絡(luò)的有向性以及建立關(guān)注關(guān)系的隨意性等特點,提出了一種基于非負(fù)多矩陣分解的微博網(wǎng)絡(luò)推薦方法,綜合考慮了用戶之間的關(guān)注關(guān)系、用戶與微博內(nèi)容的轉(zhuǎn)發(fā)關(guān)系,以及微博內(nèi)容與主題的所屬關(guān)系等多源信息�；谛吕宋⒉⿺�(shù)據(jù)集進(jìn)行了微博內(nèi)容推薦實驗,結(jié)果表明基于非負(fù)多矩陣分解的方法能夠有效利用微博網(wǎng)絡(luò)中的多維信息,顯著提高推薦準(zhǔn)確度。該方法不僅能挖掘出微博內(nèi)容的主題,還能挖掘出用戶間的關(guān)聯(lián)關(guān)系,可推廣到對用戶進(jìn)行好友和主題的推薦。
[Abstract]:As a popular form of social media, Weibo website not only provides users with abundant information and services, but also brings the problem of information overload. How to use Weibo network to recommend valuable information for users to alleviate the problem of information overload has become increasingly important. According to the characteristics of Weibo network and the randomness of establishing the relationship of concern, this paper proposes a Weibo network recommendation method based on non-negative multi-matrix decomposition, which considers the relationship of concern among users. The forwarding relationship between user and Weibo content, and the relationship between Weibo content and topic. The experiment of Weibo content recommendation based on Sina Weibo dataset is carried out. The results show that the method based on non-negative multi-matrix decomposition can effectively utilize the multidimensional information in Weibo network and improve the accuracy of recommendation. This method not only can mine the topic of Weibo content, but also can mine the relationship between users, and it can be extended to recommend friends and topics to users.
【作者單位】： 云南大學(xué)信息學(xué)院;云南紅嶺云網(wǎng)絡(luò)科技有限公司;
【基金】：云南省科技創(chuàng)新強(qiáng)省計劃資助項目(2014AB016) 國家自然科學(xué)基金資助項目(61562090) 云南省應(yīng)用基礎(chǔ)研究計劃面上項目(2013FB009)
【分類號】：TP391.3;TP393.092

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 史加榮;鄭秀云;周水生;;矩陣補(bǔ)全算法研究進(jìn)展[J];計算機(jī)科學(xué);2014年04期

2 李聰;駱志剛;;用于魯棒協(xié)同推薦的元信息增強(qiáng)變分貝葉斯矩陣分解模型[J];自動化學(xué)報;2011年09期

3 袁運祥;基于矩陣分解的子結(jié)構(gòu)法求解介紹[J];計算機(jī)應(yīng)用通訊;1981年00期

4 張海建;;分布式矩陣分解算法在推薦系統(tǒng)中的研究與應(yīng)用[J];科技通報;2013年12期

5 王鋒;趙志文;牟盛;;整數(shù)提升小波多相矩陣分解系數(shù)的快速提取算法[J];中國圖象圖形學(xué)報;2012年03期

6 段華杰;;考慮時間效應(yīng)的矩陣分解技術(shù)在推薦系統(tǒng)中的應(yīng)用[J];微型電腦應(yīng)用;2013年03期

7 王海雷;牟雁超;俞學(xué)寧;;基于協(xié)同矩陣分解的社會化標(biāo)簽系統(tǒng)的資源推薦[J];計算機(jī)應(yīng)用研究;2013年06期

8 張愛文;樊紅蓮;;半離散矩陣分解改進(jìn)算法在網(wǎng)頁信息檢索中的應(yīng)用研究[J];黑龍江工程學(xué)院學(xué)報;2007年02期

9 李衛(wèi)平;楊杰;;基于隨機(jī)梯度矩陣分解的社會網(wǎng)絡(luò)推薦算法[J];計算機(jī)應(yīng)用研究;2014年06期

10 祝永健;陳琛;;一種新的異構(gòu)網(wǎng)絡(luò)中基于上下文相關(guān)的推薦模型[J];硅谷;2013年23期

相關(guān)博士學(xué)位論文 前5條

1 王中卿;基于文本信息的社會關(guān)系分析與研究[D];蘇州大學(xué);2016年

2 王嘯;基于生成模型和矩陣分解的社區(qū)發(fā)現(xiàn)算法研究[D];天津大學(xué);2015年

3 王科強(qiáng);基于矩陣分解的個性化推薦系統(tǒng)[D];華東師范大學(xué);2017年

4 李英明;矩陣分解在數(shù)據(jù)挖掘中的應(yīng)用[D];浙江大學(xué);2014年

5 陳根浪;基于社交媒體的推薦技術(shù)若干問題研究[D];浙江大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 秦曉暉;個性化微博推薦方法研究[D];華南理工大學(xué);2015年

2 劉鳳林;基于矩陣分解的協(xié)同過濾推薦算法研究[D];南京理工大學(xué);2015年

3 李源鑫;基于提升的信任融合矩陣分解推薦算法[D];福建師范大學(xué);2015年

4 陳洪濤;基于矩陣分解的常規(guī)與長尾捆綁推薦的博弈研究[D];福建師范大學(xué);2015年

5 張濟(jì)龍;基于概率矩陣分解的推薦算法研究[D];燕山大學(xué);2015年

6 鄧志豪;基于物品相似度和主題回歸的矩陣分解推薦算法[D];浙江大學(xué);2015年

7 余露;利用矩陣分解算法建模數(shù)據(jù)稀疏環(huán)境下用戶協(xié)同行為[D];杭州師范大學(xué);2015年

8 倪澤明;混合用戶行為建模的概率矩陣分解推薦算法[D];浙江大學(xué);2015年

9 吳世偉;社會網(wǎng)絡(luò)中的鏈接分析[D];復(fù)旦大學(xué);2014年

10 孫偉彬;基于高維顯性特征的矩陣分解推薦[D];大連理工大學(xué);2015年

，

本文編號：2146559