隨著社交媒體的普及和廣泛應(yīng)用,導(dǎo)致微博等社交網(wǎng)絡(luò)信息爆炸,凸顯了信息過載問題—一面對海量的數(shù)據(jù),用戶很難從中找到感興趣的信息。而推薦系統(tǒng)是解決該問題的一個重要工具,受到了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。但現(xiàn)有微博推薦算法還存在著交互行為時效性考慮不足、數(shù)據(jù)稀疏條件下推薦準確率低以及群組硬劃分等問題。針對上述問題,本文在研究分析現(xiàn)有微博推薦算法的基礎(chǔ)上,提出基于聯(lián)合概率矩陣分解的微博推薦算法和基于拓撲勢的微博推薦算法。本文主要的研究內(nèi)容包括以下三個方面:（1）提出基于聯(lián)合概率矩陣分解的微博推薦算法。針對交互行為時效性考慮不足的問題,本文在用戶之間點贊、轉(zhuǎn)發(fā)和評論等交互行為基礎(chǔ)上,通過引入遺忘函數(shù),提出一種能區(qū)分不同時間段交互行為的影響力評估模型;針對數(shù)據(jù)稀疏條件下推薦準確率低的問題,引入聯(lián)合概率矩陣分解方法對用戶相似度矩陣和影響力矩陣進行聯(lián)合概率矩陣分解,緩解了數(shù)據(jù)稀疏條件下推薦準確率不高的問題。（2）提出基于拓撲勢的微博推薦算法。針對群組硬劃分的問題,本文使用LDA主題模型分析微博文本的主題,并結(jié)合用戶自定義標簽構(gòu)建用戶興趣偏好向量,使用KL距離計算用戶偏好向量之間的相似度距離,引入拓撲勢，... 

【文章來源】：蘇州大學(xué)江蘇省 211工程院校

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖３４不同；Ｉ取值下ＭＲＵＰＭＦ－Ｌ算法Ｆｌ－Ｍｅａｓｕｒｅ??以；１?＝?０．７，大，絲

圖３＿５至圖３－７所示

圖４－１和４－２所示

【參考文獻】：
期刊論文
[1]基于聯(lián)合概率矩陣分解的群推薦方法研究[J]. 王剛,蔣軍,王含茹,楊善林.  計算機學(xué)報. 2019(01)
[2]基于關(guān)聯(lián)規(guī)則挖掘的社區(qū)網(wǎng)絡(luò)數(shù)據(jù)爬蟲算法[J]. 穆俊.  微電子學(xué)與計算機. 2018(08)
[3]基于用戶擴展興趣的微博推薦方法[J]. 徐建民,劉明艷,王苗.  計算機應(yīng)用研究. 2019(06)
[4]專利文本主題建模中領(lǐng)域停用詞自動選取研究[J]. 俞琰,趙乃瑄.  圖書情報工作. 2018(11)
[5]融合社交信息的矩陣分解推薦方法研究綜述[J]. 劉華鋒,景麗萍,于劍.  軟件學(xué)報. 2018(02)
[6]基于動態(tài)卷積概率矩陣分解的潛在群組推薦[J]. 王海艷,董茂偉.  計算機研究與發(fā)展. 2017(08)
[7]一種改進的偏好融合組推薦方法[J]. 胡川,孟祥武,張玉潔,杜雨露.  軟件學(xué)報. 2018(10)
[8]基于文本與社交信息的用戶群組識別[J]. 王中卿,李壽山,周國棟.  軟件學(xué)報. 2017(09)
[9]社交網(wǎng)絡(luò)環(huán)境下基于信任的推薦算法[J]. 陳婷,朱青,周夢溪,王珊.  軟件學(xué)報. 2017(03)
[10]社交關(guān)系挖掘研究綜述[J]. 趙姝,劉曉曼,段震,張燕平,唐杰.  計算機學(xué)報. 2017(03)



本文編號：3436711