互聯(lián)網(wǎng)作為信息的高速公路經(jīng)歷了快速的發(fā)展,而在發(fā)展過程中帶來的“信息爆炸”嚴(yán)重影響著用戶使用互聯(lián)網(wǎng)的體驗(yàn),高效的信息檢索要求下推薦系統(tǒng)應(yīng)運(yùn)而生。推薦系統(tǒng)利用已有的數(shù)據(jù)信息通過各種算法推測(cè)并推薦給用戶可能感興趣的項(xiàng)目,再通過用戶對(duì)推薦項(xiàng)目的反饋調(diào)整推薦方向,不斷優(yōu)化推薦系統(tǒng)。在實(shí)際應(yīng)用中,推薦系統(tǒng)中新用戶基于內(nèi)容推薦的“冷啟動(dòng)”和潛在興趣缺失問題隨之出現(xiàn)。在推薦系統(tǒng)中引入用戶外部已有信息數(shù)據(jù)是解決新用戶冷啟動(dòng)和潛在興趣缺失問題的方案之一,由于個(gè)人社交媒體（微博）信息的公開性、精確性和信息多樣性被廣泛研究應(yīng)用于個(gè)性化推薦系統(tǒng)。與此同時(shí),協(xié)同過濾算法利用用戶群體集與項(xiàng)目集之間進(jìn)行交互行為來進(jìn)行推薦,其作為解決推薦多樣性不足且富有新穎性的推薦方法被廣泛研究。近年來關(guān)于對(duì)社交媒體的研究越來越多,研究者通過分析社交媒體進(jìn)行熱點(diǎn)新聞?lì)A(yù)測(cè)、輿論分析、個(gè)性化推薦和社區(qū)發(fā)現(xiàn)等研究。通過挖掘社交媒體信息,給社會(huì)化各群體以用戶畫像,經(jīng)過個(gè)體的個(gè)人信息、微博發(fā)文、轉(zhuǎn)發(fā)和評(píng)論等信息分析的個(gè)人用戶畫像作為個(gè)性化推薦的基礎(chǔ)。在本文中,通過研究微博媒體結(jié)構(gòu)來實(shí)現(xiàn)對(duì)個(gè)體用戶的興趣挖掘,并使用挖掘的用戶興趣集作為基于內(nèi)容新... 

【文章來源】：廣東工業(yè)大學(xué)廣東省

【文章頁(yè)數(shù)】：57 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１挖掘模型示意圖??Ｆｉｇ．２－１?Ｍｉｎｉｎｇ?ｍｏｄｅｌ?ｄｉａｇｒａｍ??

全部分詞會(huì)造成高時(shí)間復(fù)雜度，所以通過將新聞分類可以大大降低計(jì)算時(shí)間，提高??推薦效率。本文采用卷積神經(jīng)網(wǎng)絡(luò)模型（ＣＮＮ）實(shí)現(xiàn)新聞文本的分類［５（）］。ｔｅｘｔＣＮＮ分??類模型如圖４－１所示：??Ｍｉｌｌ??Ｉ?－１—１——１—１－?■＋—??杭州｜｜?Ｉ?Ｉ?ＩＩ?二卜、Ｉ??西湖＝二二二二－ｒ??走二Ｌｉ－ｚ?、系?Ａ??星?一＇—ｗ?一，一，??的???＾?■？—．．．．．??圣地??｜?｜?｜?｜?｜?［?｜?｜??ｎ?ｘ?ｋ階矩陣表示句子分詞異有多個(gè)濾波器寬度池化層全連接層，ｓｏｆｔｍａｘ??和特征映射的卷拐層?輸出??圖４－１用于實(shí)例句子ｔｅｘｔＣＮＮ模型圖??Ｆｉｇ．４－１?Ｆｏｒ?ｅｘａｍｐｌｅ?ｓｅｎｔｅｎｃｅ?ｔｅｘｔＣＮＮ?ｍｏｄｅｌ?ｄｉａｇｒａｍ??圖中分別是嵌入層、卷積層、池化層、全連接層。嵌入層將一篇新聞文本中的??句子分割為單詞，并詞向量化，嵌入層將文本轉(zhuǎn)化為權(quán)值矩陣，每個(gè)單詞轉(zhuǎn)化為詞??向量矩陣，由此得到一個(gè)ＮＸＫ的矩陣Ｍ，其中每一行代表一個(gè)詞向量，此矩陣可??以是靜態(tài)的，也可以是動(dòng)態(tài)的；卷積層將嵌入層看作輸入層，通過卷積操作將嵌入??層輸入矩陣中每個(gè)詞向量矩陣卷積成一維矩陣，將嵌入矩陣卷積為多個(gè)特征面，其??２１??

聞集Ｂ中次數(shù)最多的新聞集，得到最終推薦給目標(biāo)用戶的候選新聞集??Ｃ。??本文融合用戶興趣挖掘與協(xié)同過濾的新聞推薦算法的示意圖如圖４－２所示：??ｇ微博＾■互綱ｊ?＾取―％卿＾＾??遍挖??＜＇掘，＞?＿１數(shù)＊據(jù)集??ｉ用戶?Ｕ：?Ｖ評(píng)?Ｄ｜ｉ｛ｄｕｌ，ｄｕ２．＂ｄｕｍ｝??用戶社交興趣集?新聞集?論新聞集Ｄ｜／｛ｄｖｉ，ｄｖ２＂．ｄｖｍ｝??Ｕｆｐ｛（ｗ１，ｖ１）＃（ｗ２＃ｖ?ｊ｛（Ｎｉｉ，Ｗｉｉ），（Ｎｉ２，??２）？．（ｗｉ，ｖｊ）｝?Ｗｉ２）？．（Ｎｉｋ／Ｗｉｋ）｝?行為相＾??－（詠囉?＞??薦歹ｐ?Ｉ候選新??＼法多沙（Ｗ》???Ａ??最終推薦列表??圖４－２推薦框架圖??Ｆｉｇｕｒｅ?４－２?Ｒｅｃｏｍｍｅｎｄｅｄ?ｆｒａｍｅ?ｄｉａｇｒａｍ??圖４－２各模塊的功能如下：??１）興趣挖掘模塊。如本文章節(jié)２．３所述，用戶微博中的數(shù)據(jù)有如文本、圖片、視頻、??標(biāo)簽、關(guān)注者和粉絲等各種數(shù)據(jù)。本模塊主要針對(duì)文本、標(biāo)簽、關(guān)注者、轉(zhuǎn)發(fā)和評(píng)??論數(shù)據(jù)進(jìn)行挖掘用來構(gòu)建用戶興趣集

【參考文獻(xiàn)】：
期刊論文
[1]基于背景和內(nèi)容的微博用戶興趣挖掘[J]. 仲兆滿,管燕,胡云,李存華.  軟件學(xué)報(bào). 2017(02)
[2]一種結(jié)合關(guān)聯(lián)規(guī)則的協(xié)同過濾推薦算法[J]. 陳平華,陳傳瑜,洪英漢.  小型微型計(jì)算機(jī)系統(tǒng). 2016(02)
[3]基于內(nèi)容的推薦與協(xié)同過濾融合的新聞推薦方法[J]. 楊武,唐瑞,盧玲.  計(jì)算機(jī)應(yīng)用. 2016(02)
[4]基于微博用戶模型的個(gè)性化新聞推薦[J]. 古萬榮,董守斌,曾之肇,何錦潮,劉崇.  中文信息學(xué)報(bào). 2016(01)
[5]移動(dòng)新聞推薦技術(shù)及其應(yīng)用研究綜述[J]. 孟祥武,陳誠(chéng),張玉潔.  計(jì)算機(jī)學(xué)報(bào). 2016(04)
[6]推薦引擎原理及發(fā)展綜述[J]. 劉楊,楊明川.  電信技術(shù). 2015(06)
[7]微博網(wǎng)絡(luò)上的重疊社群發(fā)現(xiàn)與全局表示[J]. 胡云,王崇駿,吳駿,謝俊元,李慧.  軟件學(xué)報(bào). 2014(12)
[8]基于用戶主題模型的微博用戶興趣挖掘(英文)[J]. 何力,賈焰,韓偉紅,丁兆云.  中國(guó)通信. 2014(08)
[9]微博用戶的相似性度量及其應(yīng)用[J]. 徐志明,李棟,劉挺,李生,王剛,袁樹侖.  計(jì)算機(jī)學(xué)報(bào). 2014(01)

碩士論文
[1]基于用戶評(píng)價(jià)的專家推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 韓旺陽(yáng).東南大學(xué) 2017
[2]結(jié)合用戶屬性與自然最近鄰的個(gè)性化推薦算法的研究[D]. 王穎.重慶師范大學(xué) 2017
[3]基于動(dòng)態(tài)集成方法的混合推薦系統(tǒng)研究[D]. 楊文龍.山東大學(xué) 2015



本文編號(hào)：3482268