本文選題：社交網絡 + 推薦系統(tǒng)��； 參考：《哈爾濱工業(yè)大學》2013年碩士論文

【摘要】：微博作為一種社交媒體正在越來越深刻的改變人們獲取信息和交流的方式。越來越多的人愿意在微博中發(fā)表自己的觀點，表達自己的心情，發(fā)布最新的消息。然而隨著用戶在微博中關注了更多的人，用戶被大量的微博信息包圍，其中很大一部分是用戶不感興趣的。這給用戶在瀏覽微博時造成了一定的困擾，降低了用戶的體驗。 用戶瀏覽的微博默認按照時間的先后順序排列，本文旨在使用推薦系統(tǒng)將用戶感興趣的微博靠前放置，幫助用戶更快更好的獲得信息。 本文首先使用了基于特征矩陣分解的方法做微博推薦。矩陣分解是推薦系統(tǒng)中效果最好的方法之一，我們將其應用在微博推薦場景中。同時針對微博的特點，在做推薦時，我們同時考慮了微博的內容和社交特征以進行更好個性化的推薦。本文將微博推薦定義為列表的排序問題，采用了搜索引擎評價中流行的MAP值作為評價指標，實驗結果證明了我們的方法較默認的時間排序能夠更好的將用戶感興趣的微排在列表的前面，同時驗證了微博推薦可以提升用戶體驗。 在使用推薦系統(tǒng)進行微博推薦時會出現(xiàn)將過多的同類內容推薦給用戶的問題。雖然這些同類微博可能都是用戶感興趣的，，但是這樣的結果并不利于用戶獲取多樣的信息，長期使用會導致用戶體驗的降低。所以本文在普通推薦的基礎上引入列表多樣性的度量。我們希望推薦列表中微博間的相似度要盡量的低。 本文針對微博的特點提出了一系列的特征來度量微博相似性，使用增量Single-Pass聚類算法和聚類集成的框架將微博聚類，將該聚類結果與人工標注的結果進行了對比。使用了聚類評價中常用的NMI和B-cubed評價指標。實驗結果證明了我們的提出的特征在計算微博相似性時是比較有效的。 根據微博間的相似度，我們使用貪心的算法將推薦列表多樣化，并采用人工在線評價的方式驗證了多樣化的推薦列表在用戶體驗上優(yōu)于普通的推薦列表。
[Abstract]:Weibo, as a kind of social media, is changing the way people get information and communication. More and more people are willing to express their views, express their feelings and release the latest news in Weibo. However, as users pay attention to more people in Weibo, users are surrounded by a large amount of Weibo information, a large part of which is not of interest to users. This gives users a certain amount of trouble when browsing Weibo, reducing the user's experience. Weibo, who browsed by users, arranged according to the order of time by default. The purpose of this paper is to use the recommendation system to place the user's interesting Weibo forward, so as to help the user to obtain information faster and better. This paper first uses the method based on eigenmatrix decomposition to recommend Weibo. Matrix decomposition is one of the most effective methods in recommendation system. At the same time, according to Weibo's characteristics, we also consider the content and social features of Weibo in order to make a better personalized recommendation. In this paper, Weibo's recommendation is defined as the ranking problem of list, and the popular MAP value in search engine evaluation is used as the evaluation index. The experimental results show that our method is better than the default time ranking method to put the users of interest in the front of the list, and it also proves that Weibo recommendation can improve the user experience. In the use of recommendation system Weibo recommendation will appear too much of the same kind of content recommended to users. Although these similar Weibo may be of interest to users, such results are not conducive to access to a variety of information, long-term use will lead to a decline in the user experience. So this paper introduces the measurement of list diversity on the basis of general recommendation. We hope the similarity between Weibo in the recommended list should be as low as possible. In this paper, according to Weibo's characteristics, we propose a series of features to measure Weibo similarity. We use incremental Single-Pass clustering algorithm and clustering ensemble framework to cluster Weibo, and compare the clustering results with those of manual tagging. The NMI and B-cubed evaluation indexes which are commonly used in clustering evaluation are used. The experimental results show that the proposed features are effective in calculating Weibo similarity. According to the similarity between Weibo, we use greedy algorithm to diversify recommendation list, and use artificial online evaluation to verify the diversity of recommendation list in user experience is better than that of common recommendation list.
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2013
【分類號】：TP393.092;TP391.3

【相似文獻】

相關期刊論文 前10條

1 郭黎明;何艷娟;;電子商務中的協(xié)同過濾推薦系統(tǒng)[J];商場現(xiàn)代化;2009年17期

2 崔春生;吳祈宗;;基于Vague集的內容推薦算法研究[J];計算機應用研究;2010年06期

3 崔春生;李光;吳祈宗;;基于Vague集的電子商務推薦系統(tǒng)研究[J];計算機工程與應用;2011年10期

4 金亞亞;牟援朝;;基于改進信任度的協(xié)同過濾推薦算法[J];現(xiàn)代圖書情報技術;2010年10期

5 王恒;;基于協(xié)同過濾的電子農務推薦系統(tǒng)模型研究[J];寧夏大學學報(自然科學版);2009年04期

6 游文;葉水生;;電子商務推薦系統(tǒng)中的協(xié)同過濾推薦[J];計算機技術與發(fā)展;2006年09期

7 胡煒;;協(xié)同過濾算法在推薦系統(tǒng)中的應用[J];計算機時代;2009年11期

8 王進;;一種使用DSmTrust信任模型的推薦系統(tǒng)[J];計算機工程與應用;2011年13期

9 張富國;;基于協(xié)同過濾技術的電子商務推薦系統(tǒng)初探[J];科技廣場;2006年08期

10 張李義;羅惠恒;;基于協(xié)同過濾的WhuRecomm推薦系統(tǒng)的設計與實現(xiàn)[J];武漢大學學報(工學版);2006年06期

相關會議論文 前10條

1 謝科;劉奕群;岑榮偉;馬少平;茹立云;楊磊;;基于維基百科層次分類框架的主題推薦系統(tǒng)的研究[A];中國計算語言學研究前沿進展（2009-2011）[C];2011年

2 李嬈嬈;雷沛霖;黃蘭嵐;原思通;劉營;;芫花藥材高效液相指紋圖譜研究[A];中華中醫(yī)藥學會四大懷藥與地道藥材研究論壇暨中藥炮制分會第二屆第五次學術會與第三屆會員代表大會論文集[C];2007年

3 張虎;郭玉翠;宮尚寶;;移動Ad-hoc網絡中基于第三方觀察機制的信任管理研究[A];第十六屆全國青年通信學術會議論文集（上）[C];2011年

4 王志松;;決策樹中數據遺失值填充方法的研究[A];2001年中國智能自動化會議論文集（下冊）[C];2001年

5 湯麗華;趙吳靜;金菊良;張明;;基于熵的水質綜合評價的相似插值模型[A];第八屆中國管理科學學術年會論文集[C];2006年

6 王娟;;一種基于粗糙集理論的操作風險判別方法[A];科學發(fā)展觀與系統(tǒng)工程——中國系統(tǒng)工程學會第十四屆學術年會論文集[C];2006年

7 劉曉林;郁濱;;基于相似度的遺傳算法模式理論研究[A];全國第19屆計算機技術與應用（CACIS）學術會議論文集（下冊）[C];2008年

8 金保華;高湘飛;柳雪環(huán);張磊;;基于XML框架與CBR智能預案管理的研究[A];2009年中國智能自動化會議論文集（第二分冊）[C];2009年

9 王超;許方;;一種基于奇異值分解的印刷體數字識別算法[A];圖像圖形技術與應用進展——第三屆圖像圖形技術與應用學術會議論文集[C];2008年

10 麥智毅;楊春玲;;基于結構相似度的H.264幀內預測快速算法[A];通信理論與信號處理新進展——2005年通信理論與信號處理年會論文集[C];2005年

相關重要報紙文章 前10條

1 本報記者 馮衛(wèi)東;網絡導購：找出你的最愛[N];科技日報;2007年

2 證券時報記者　 韓如冰;基金投資相似度趨高[N];證券時報;2006年

3 聶磊 曹進 羅國安;中藥指紋圖譜相似度評價方法各有千秋[N];中國醫(yī)藥報;2006年

4 孟祥寧　張亞萌 郭青劍;山寨文化：是一種什么樣的文化[N];中國藝術報;2009年

5 聶磊；曹進；羅國安;中藥指紋圖譜相似度評價方法作用各一[N];中國醫(yī)藥報;2005年

6 海潮;俄研究發(fā)現(xiàn)妊娠中毒癥疑與夫婦HLA基因相似度有關[N];中國醫(yī)藥報;2007年

7 欒海;妊娠中毒癥可能與夫婦 HLA基因相似度有關[N];醫(yī)藥經濟報;2007年

8 沈陽藥科大學藥學院 孫國祥;中藥指紋圖譜研究新進展[N];中國中醫(yī)藥報;2007年

9 記者 李學梅;研究證實：父親“偏愛”與自己相像的孩子[N];新華每日電訊;2009年

10 林嘉澍;從搜索到發(fā)現(xiàn)[N];經濟觀察報;2007年

相關博士學位論文 前10條

1 李濤;推薦系統(tǒng)中若干關鍵問題研究[D];南京航空航天大學;2009年

2 任磊;推薦系統(tǒng)關鍵技術研究[D];華東師范大學;2012年

3 胡新明;基于商品屬性的電子商務推薦系統(tǒng)研究[D];華中科技大學;2012年

4 鄧愛林;電子商務推薦系統(tǒng)關鍵技術研究[D];復旦大學;2003年

5 劉麗敏;選擇性聚類融合算法研究[D];中南大學;2013年

6 張寅;個性化技術及其在數字圖書館中應用的研究[D];浙江大學;2009年

7 張堯;B2C環(huán)境下用戶感知可信的推薦系統(tǒng)理論及其關鍵方法研究[D];哈爾濱工業(yè)大學;2013年

8 郭艷紅;推薦系統(tǒng)的協(xié)同過濾算法與應用研究[D];大連理工大學;2008年

9 張富國;基于信任的電子商務個性化推薦關鍵問題研究[D];江西財經大學;2009年

10 張亮;推薦系統(tǒng)中協(xié)同過濾算法若干問題的研究[D];北京郵電大學;2009年

相關碩士學位論文 前10條

1 慕福楠;面向微博用戶的推薦多樣性研究[D];哈爾濱工業(yè)大學;2013年

2 寇艷艷;電子商務推薦系統(tǒng)中用戶聚類問題與用戶興趣變化問題研究[D];中國科學技術大學;2011年

3 何克勤;基于標簽的推薦系統(tǒng)模型及算法研究[D];華東師范大學;2011年

4 閆祥雨;基于語義Web技術的推薦系統(tǒng)研究[D];太原理工大學;2010年

5 章晉波;推薦系統(tǒng)中協(xié)同過濾算法的研究與實現(xiàn)[D];北京郵電大學;2010年

6 王昆;一種基于Bayesian CBR的推薦系統(tǒng)研究[D];河北師范大學;2011年

7 王莉紅;電子商務環(huán)境下協(xié)同過濾推薦方法的應用分析與研究[D];上海師范大學;2005年

8 吳彬;基于雙重聚類推薦系統(tǒng)的設計與實現(xiàn)[D];華東師范大學;2008年

9 王平;基于用戶偏好挖掘和主題搜索的情報推薦系統(tǒng)[D];浙江大學;2007年

10 林源;英文短文本相似性研究及在圖書推薦中的應用[D];北京林業(yè)大學;2010年

本文編號：1814879