發(fā)布時(shí)間：2021-06-18 00:04

　　推薦模型是近年來(lái)互聯(lián)網(wǎng)技術(shù)研究的一個(gè)熱門(mén)趨勢(shì)。但是傳統(tǒng)的基于內(nèi)容的推薦、基于社交網(wǎng)絡(luò)的推薦和協(xié)同過(guò)濾的推薦都有各自的不足。為此,我們提出了基于內(nèi)容和社交網(wǎng)絡(luò)的推薦模型（RMBCS）。本文的主要內(nèi)容有:（一）長(zhǎng)-短文本間相似度的計(jì)算。目前長(zhǎng)-短文本間沒(méi)有計(jì)算相似度的公式,故本文提出了一個(gè)生成距離。本文通過(guò)對(duì)文本的分類(lèi)、預(yù)處理、特征抽取,用特征計(jì)算生成距離得到長(zhǎng)短文本間的相似度。（二）社交網(wǎng)絡(luò)中用戶(hù)最近鄰群的選取。在用戶(hù)數(shù)量巨大的系統(tǒng)中,用戶(hù)最近鄰群的選取耗時(shí)很多,為能快速便捷的選取用戶(hù)的最近鄰群,本文提出了從用戶(hù)的社交網(wǎng)絡(luò)中尋找最近鄰群的新方法。（三）基于內(nèi)容和社交網(wǎng)絡(luò)的文本推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)。將以上兩點(diǎn)內(nèi)容嵌入推薦系統(tǒng)中,通過(guò)說(shuō)明基于內(nèi)容和社交網(wǎng)絡(luò)的文本推薦系統(tǒng)的推薦方式,對(duì)系統(tǒng)進(jìn)行需求分析、總體設(shè)計(jì),并對(duì)系統(tǒng)的各模塊進(jìn)行詳細(xì)設(shè)計(jì),完成了該系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)。最后對(duì)系統(tǒng)進(jìn)行了測(cè)試。 

【文章來(lái)源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１社交網(wǎng)絡(luò)中用戶(hù)的入度??８??

于社區(qū)的社交網(wǎng)絡(luò)數(shù)據(jù)［３５］。??社交網(wǎng)絡(luò)數(shù)據(jù)中存在長(zhǎng)尾分布，主要根據(jù)用戶(hù)的入度和出度，用戶(hù)的入度反??映了用戶(hù)的社會(huì)影響力，而用戶(hù)的出度代表了一個(gè)用戶(hù)關(guān)注的用戶(hù)數(shù)［３６：。從圖２－??１和圖２－２可以看出，一個(gè)社交網(wǎng)絡(luò)中影響力大的用戶(hù)總是占少數(shù)，同時(shí)關(guān)注很??多人的用戶(hù)占少數(shù)，而絕大多數(shù)只關(guān)注很少的人［３７］。??ｉｎ?ｄｅｇｒｅｅ??１０００００００??????一????一？？？？？—?—－??１００００００?？？畢??１０００００??????１００００??－—．．．???１〇〇〇??????１００?－－?－??１０＂??ｉ?—－?—．＾“－?－－?—?－－－了—．—????１?１０?１００?１０００?１００００?丨?０００００??圖２－１社交網(wǎng)絡(luò)中用戶(hù)的入度??８??

濾詞等操作，得到處理好的分詞結(jié)果，同時(shí)對(duì)這些分詞結(jié)果使用ＬＤＡ主題模型，??得到文本的主題分布，再使用ｗ〇ｒｄ２ＶｅＣ進(jìn)行詞向量轉(zhuǎn)化，得到文本的主題特征。??具體的文本主題特征向量的提取過(guò)程如圖２－３所示。??１１??


本文編號(hào)：3236172