【摘要】：隨著互聯(lián)網(wǎng)的盛行,主流的在線社交媒體取得了突飛猛進(jìn)的發(fā)展,而微博在這些在線社交媒體中表現(xiàn)出了更加突出的發(fā)展態(tài)勢。微博已經(jīng)吸引了海量的用戶,人們在微博上分享自己的觀點(diǎn)、愛好、思想等信息,微博對社會的發(fā)展產(chǎn)生了巨大的影響。近年來國內(nèi)外研究者基于在線社交媒體數(shù)據(jù)做了全方位的研究,如社區(qū)發(fā)現(xiàn)、商品推薦、相似用戶推薦等。本文面向微博,開展微博用戶個體的話題挖掘和相似用戶挖掘的理論和方法研究。具體的研究內(nèi)容包括如下三個方面:(1)根據(jù)微博動態(tài)社交的特點(diǎn),以時間片劃分用戶的微博信息,挖掘用戶的動態(tài)話題,該方法可以更好地體現(xiàn)微博用戶話題的動態(tài)性,可以使相似用戶的挖掘結(jié)果更加精準(zhǔn)。(2)在全面分析微博網(wǎng)絡(luò)用戶特點(diǎn)的基礎(chǔ)上,從三個方面計算用戶之間的相似度:(1)用戶背景屬性的相似度;(2)用戶動態(tài)話題的相似度;(3)用戶社交關(guān)系的相似度。分別計算出三個方面的相似度后,最后通過加權(quán)的方式計算出兩個微博用戶的相似度,最后計算出特定用戶與爬取出的微博用戶集的相似度,根據(jù)相似度的大小生成降序排名隊(duì)列,將排名靠前的Top-k個用戶推薦給特定用戶。(3)為了更加直觀的展示并實(shí)現(xiàn)本文的研究成果,本文根據(jù)前兩部分研究內(nèi)容,設(shè)計并實(shí)現(xiàn)了基于微博的相似用戶挖掘的原型系統(tǒng),該原型系統(tǒng)主要包括動態(tài)話題挖掘以及相似用戶挖掘等功能。本文涉及的研究內(nèi)容,能夠幫助用戶發(fā)現(xiàn)相似用戶可以使用戶拓寬自己的人際關(guān)系,尋找到自己更感興趣的話題,使其發(fā)現(xiàn)自身在社會網(wǎng)絡(luò)中扮演的角色,可以為社區(qū)的發(fā)現(xiàn)做數(shù)據(jù)的支撐。
[Abstract]:With the popularity of the Internet, mainstream online social media have made rapid progress, and Weibo has shown a more prominent development trend in these online social media. Weibo has attracted a large number of users, people share their views, hobbies, ideas and other information on Weibo, Weibo has a great impact on the development of society. In recent years, researchers at home and abroad based on online social media data to do a full range of research, such as community discovery, commodity recommendations, similar user recommendations. This paper aims at Weibo and studies the theory and method of topic mining and similar user mining. The specific research contents include the following three aspects: (1) according to the characteristics of Weibo's dynamic social interaction, the paper divides the user's Weibo information by time slice and excavates the user's dynamic topic. This method can better reflect the dynamic nature of the user's topic. It can make the mining results of similar users more accurate. (2) on the basis of analyzing the characteristics of Weibo network users, the similarity between users can be calculated from three aspects: (1) the similarity of user background attributes; (2) similarity of user's dynamic topic and (3) similarity of user's social relationship. After calculating the similarity of three aspects respectively, the similarity of two Weibo users is calculated by weighted method, and the similarity between specific user and the user set taken out by crawling is calculated. According to the size of similarity, the descending rank queue is generated, and the top Top-k users are recommended to specific users. (3) in order to more intuitively display and realize the research results of this paper, this paper according to the first two parts of the research content, The prototype system of similar user mining based on Weibo is designed and implemented. The prototype system mainly includes dynamic topic mining and similar user mining. The research in this paper can help users to discover that similar users can broaden their interpersonal relationships, find topics of more interest to themselves, and make them discover their own role in social networks. Can do data support for community discovery.
【學(xué)位授予單位】：中國礦業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.1;TP393.092

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 姚彬修;倪建成;于蘋蘋;李淋淋;曹博;;基于多源信息相似度的微博用戶推薦算法[J];計算機(jī)應(yīng)用;2017年05期

2 鄭志蘊(yùn);賈春園;王振飛;李鈍;;基于微博的用戶相似度計算研究[J];計算機(jī)科學(xué);2017年02期

3 王秋森;俞浩亮;徐浩誠;馮旭鵬;劉利軍;黃青松;;基于LDA的微博用戶粉絲親密度評價模型[J];計算機(jī)應(yīng)用與軟件;2016年10期

4 陳開昌;;自然語言處理技術(shù)中的中文分詞研究[J];信息與電腦(理論版);2016年19期

5 王濤;覃錫忠;賈振紅;牛紅梅;曹傳玲;;基于相似度和信任度的關(guān)聯(lián)規(guī)則微博好友推薦[J];計算機(jī)應(yīng)用;2016年08期

6 徐建民;李騰飛;吳樹芳;;一種基于用戶交互行為的微博社區(qū)發(fā)現(xiàn)方法[J];河北大學(xué)學(xué)報(自然科學(xué)版);2016年02期

7 周奇;陸敬筠;朱曉峰;;基于社交團(tuán)體和用戶相似度的信息推薦方法[J];情報理論與實(shí)踐;2016年01期

8 邢千里;劉列;劉奕群;張敏;馬少平;;微博中用戶標(biāo)簽的研究[J];軟件學(xué)報;2015年07期

9 于巖;陳鴻昶;于洪濤;;基于RBF神經(jīng)網(wǎng)絡(luò)的微博用戶興趣預(yù)測模型[J];計算機(jī)應(yīng)用研究;2015年12期

10 吳樹芳;徐建民;朱杰;;基于互信息的話題特征選擇方法研究[J];情報雜志;2015年04期

相關(guān)會議論文 前1條

1 龔才春;賀敏;張華平;許洪波;程學(xué)旗;;大規(guī)模語料的頻繁模式快速發(fā)現(xiàn)算法[A];全國網(wǎng)絡(luò)與信息安全技術(shù)研討會論文集（上冊）[C];2007年

相關(guān)博士學(xué)位論文 前2條

1 劉淇;基于用戶興趣建模的推薦方法及應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2013年

2 胡新明;基于商品屬性的電子商務(wù)推薦系統(tǒng)研究[D];華中科技大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 吳曉陽;微博用戶社會關(guān)系離線挖掘算法的研究[D];北京交通大學(xué);2016年

2 汪進(jìn)祥;基于主題模型的微博話題挖掘[D];北京郵電大學(xué);2015年

3 羅杰;基于SVM的微博話題跟蹤方法及其應(yīng)用[D];北京理工大學(xué);2015年

4 蒲菁川;微博用戶興趣建模及其動態(tài)性研究[D];哈爾濱工業(yè)大學(xué);2014年

5 馬曉姝;基于LDA模型的新聞話題發(fā)現(xiàn)研究[D];東北師范大學(xué);2014年

6 王星;基于Labeled LDA的微博用戶興趣識別系統(tǒng)的研究與實(shí)現(xiàn)[D];北京交通大學(xué);2014年

7 王慧;微博話題追蹤方法研究與設(shè)計[D];北京交通大學(xué);2014年

8 詹勇;基于主題模型和混合模型的微博客交叉話題發(fā)現(xiàn)研究[D];西南交通大學(xué);2013年

9 王兵輝;社交網(wǎng)絡(luò)中潛在好友推薦算法研究[D];云南大學(xué);2013年

10 王娟;基于本體的微博話題發(fā)現(xiàn)與傾向性分析研究[D];河南師范大學(xué);2013年

，

本文編號：2403535