數十億用戶通過在社交網絡服務上發(fā)布照片和文本來分享他們的想法。他們對各種主題感興趣,通常有不同的情感傾向和發(fā)布活動。本文提出一種全新的方法來表征社交網絡用戶的發(fā)布行為,從而將用戶的發(fā)布行為表示為發(fā)布模式的概率分布,而不是單一的類別。作為發(fā)布模式分布的應用,將發(fā)布模式的分布用于用戶興趣預測。本研究基于Facebook和Twitter,兩個受歡迎的社交媒體網站,并構建了Facebook用戶和Twitter用戶的數據集。本文提出了兩個模型:發(fā)布模式模型用于表征社交網絡用戶的發(fā)布活動,興趣預測模型用于社交網絡預測用戶的興趣。發(fā)布模式模型通過將每個帖子的三個分數（極性,主觀性和單詞數）編碼為一個元組,并構建基于帖子離散元組的LDA模型來發(fā)現用戶發(fā)帖的典型模式模型,將用戶的發(fā)貼行為表示為發(fā)布模式的概率分布。興趣預測模塊通過整合用戶的發(fā)布模式分布、用戶個人資料和帖子特征,并與從用戶的喜歡頁面中提取的語義特征相結合,構建興趣預測模型,從而驗證發(fā)布模式是否提高用戶興趣預測的準確性。興趣預測實驗結果顯示,將包含用戶發(fā)布模式分布的用戶行為特征和語言特征結合比僅使用語言特征時模型的性能更好。這表明盡管用戶行為... 

【文章頁數】：74 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景及目的
    1.2 國內外研究現狀
        1.2.1 社交網絡用戶分類研究現狀
        1.2.2 社交網絡用戶興趣預測研究現狀
    1.3 論文的研究內容與組織結構
        1.3.1 論文的研究內容
        1.3.2 論文的組織結構
2 相關知識和技術
    2.1 社交網絡
        2.1.1 社交網絡概念
        2.1.2 社交網絡數據
    2.2 離散化
        2.2.1 離散化的常用術語
        2.2.2 離散化過程
        2.2.3 離散化結果評估
    2.3 LDA主題模型
        2.3.1 三層貝葉斯概率模型
        2.3.2 LDA生成過程
        2.3.3 LDA學習過程
    2.4 Xgboost預測模型
        2.4.1 Boosting分類器
        2.4.2 梯度提升樹算法
        2.4.3 Xgboost算法
    2.5 本章小結
3 數據收集和情感分析
    3.1 采集用戶
    3.2 提取帖子
    3.3 情感分析
        3.3.1 檢驗TextBlob極性值的準確性
        3.3.2 檢驗字數對TextBlob估計準確率的影響
    3.4 本章小結
4 用戶發(fā)布模式模型
    4.1 帖子的離散元組
    4.2 基于離散元組的LDA模型
        4.2.1 模型的三層結構
        4.2.2 模型的生成過程
        4.2.3 模型的訓練過程
        4.2.4 模型的評估
    4.3 用戶發(fā)布模式分布
        4.3.1 標記發(fā)布模式
        4.3.2 相似用戶推薦
        4.3.3 用戶發(fā)布模式可視化
    4.4 實驗結果
        4.4.1 最佳LDA模型
        4.4.2 潛在發(fā)布模式的標記
        4.4.3 相似發(fā)布模式的用戶
        4.4.4 用戶發(fā)布模式的可視化
    4.5 本章小結
5 用戶興趣預測模型
    5.1 二元分類模型
        5.1.1 分類評估指標
        5.1.2 分類算法
    5.2 興趣預測特征
    5.3 實驗結果與分析
        5.3.1 選取發(fā)布模式分布特征
        5.3.2 興趣預測模型的性能
        5.3.3 相關研究比較
    5.4 本章小結
6 總結與展望
    6.1 總結
    6.2 展望
參考文獻
附錄 碩士期間研究成果
致謝



本文編號：3724368