【摘要】：針對(duì)傳統(tǒng)的協(xié)同過濾(CF)推薦算法中存在的數(shù)據(jù)稀疏性和推薦準(zhǔn)確率不高的問題,提出了基于多源信息相似度的微博用戶推薦算法(MISUR)。首先,根據(jù)微博用戶的標(biāo)簽信息運(yùn)用K最近鄰(KNN)算法對(duì)用戶進(jìn)行分類;然后,對(duì)得到的每個(gè)類中的用戶分別計(jì)算其多源信息(微博內(nèi)容、交互關(guān)系和社交信息)的相似度;其次,引入時(shí)間權(quán)重和豐富度權(quán)重計(jì)算多源信息的總相似度,并根據(jù)其大小進(jìn)行TOP-N用戶推薦;最后,在并行計(jì)算框架Spark上進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,MISUR算法與CF算法和基于多社交行為的微博好友推薦算法(MBFR)相比,在準(zhǔn)確率、召回率和效率方面都有較大幅度的提升,說明了MISUR算法的有效性。
文內(nèi)圖片：
圖片說明：多源信息總相似度框架
[Abstract]:In order to solve the problems of data sparsity and recommendation accuracy in traditional collaborative filtering (CF) recommendation algorithm, a Weibo user recommendation algorithm (MISUR). Based on multi-source information similarity is proposed. Firstly, the K nearest neighbor (KNN) algorithm is used to classify the users according to the label information of Weibo users. Then, the similarity of their multi-source information (Weibo content, interaction and social information) is calculated for each class of users. Secondly, the time weight and richness weight are introduced to calculate the total similarity of multi-source information, and the TOP-N user recommendation is carried out according to its size. Finally, the experiment is carried out on the parallel computing framework Spark. The experimental results show that compared with CF algorithm and Weibo friend recommendation algorithm (MBFR) based on multi-social behavior, MISUR algorithm has a great improvement in accuracy, recall rate and efficiency, which shows the effectiveness of MISUR algorithm.
【作者單位】： 曲阜師范大學(xué)信息科學(xué)與工程學(xué)院;曲阜師范大學(xué)軟件學(xué)院;
【基金】：國(guó)家自然科學(xué)基金資助項(xiàng)目(61402258) 山東省本科高校教學(xué)改革研究項(xiàng)目(2015M102) 校級(jí)教學(xué)改革研究項(xiàng)目(jg05021)~~
【分類號(hào)】：TP391.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 余小鵬;;一種基于多層關(guān)聯(lián)規(guī)則的推薦算法研究[J];計(jì)算機(jī)應(yīng)用;2007年06期

2 張立燕;;一種基于用戶事務(wù)模式的推薦算法[J];福建電腦;2009年03期

3 王晗;夏自謙;;基于蟻群算法和瀏覽路徑的推薦算法研究[J];中國(guó)科技信息;2009年07期

4 周珊丹;周興社;王海鵬;倪紅波;張桂英;苗強(qiáng);;智能博物館環(huán)境下的個(gè)性化推薦算法[J];計(jì)算機(jī)工程與應(yīng)用;2010年19期

5 王文;;個(gè)性化推薦算法研究[J];電腦知識(shí)與技術(shù);2010年16期

6 張愷;秦亮曦;寧朝波;李文閣;;改進(jìn)評(píng)價(jià)估計(jì)的混合推薦算法研究[J];微計(jì)算機(jī)信息;2010年36期

7 夏秀峰;代沁;叢麗暉;;用戶顯意識(shí)下的多重態(tài)度個(gè)性化推薦算法[J];計(jì)算機(jī)工程與應(yīng)用;2011年16期

8 楊博;趙鵬飛;;推薦算法綜述[J];山西大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年03期

9 尹長(zhǎng)青;楊單稷;;基于視頻的智能推薦算法[J];科技傳播;2011年22期

10 吳泓辰;王新軍;成勇;彭朝暉;;基于協(xié)同過濾與劃分聚類的改進(jìn)推薦算法[J];計(jì)算機(jī)研究與發(fā)展;2011年S3期

相關(guān)會(huì)議論文 前7條

1 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個(gè)性化推薦算法[A];第二十四屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2007年

2 唐燦;;基于模糊用戶心理模式的個(gè)性化推薦算法[A];2008年計(jì)算機(jī)應(yīng)用技術(shù)交流會(huì)論文集[C];2008年

3 秦國(guó);杜小勇;;基于用戶層次信息的協(xié)同推薦算法[A];第二十一屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2004年

4 梁莘q，

本文編號(hào)：2512703