【摘要】：隨著社交網(wǎng)絡(luò)的不斷普及和應(yīng)用,大量的用戶涌入社交網(wǎng)絡(luò)之中。使社交網(wǎng)絡(luò)中出現(xiàn)了“信息過載”的問題,為了幫助用戶在海量的數(shù)據(jù)中找尋他們可能感興趣的信息,提升用戶體驗,個性化推薦算法誕生了,為了解決推薦質(zhì)量與實際情況存在偏差的問題以及社區(qū)人數(shù)不足導(dǎo)致推薦質(zhì)量下降問題,本文的主要研究工作如下:1.針對傳統(tǒng)個性化推薦算法中無法動態(tài)的為用戶產(chǎn)生推薦,使用顯示交互行為收集信息繁瑣等問題提出了一種基于興趣傳遞的好友推薦算法。該算法為了更為真實的符合現(xiàn)實情況,引入了艾賓浩斯記憶曲線模擬人腦對事物的遺忘規(guī)律,并且加入了興趣傳遞理論。并且針對用戶猶豫時間而產(chǎn)生的推薦不標(biāo)準(zhǔn)問題,以用戶瀏覽時間為標(biāo)準(zhǔn)重新定義了用戶相似度計算方法,最后通過社交網(wǎng)站中的真實數(shù)據(jù)進(jìn)行實驗,驗證了算法的有效性。2.針對社區(qū)類好友推薦算法中存在的社區(qū)人數(shù)不足導(dǎo)致推薦質(zhì)量下降問題,提出一種基于相似社區(qū)的好友列表擴(kuò)充算法。該方法首先從社區(qū)中篩選權(quán)威用戶,接著利用權(quán)威用戶的歷史微博文本挖掘出社區(qū)的關(guān)鍵詞,然后計算關(guān)鍵詞的相似度與相關(guān)度發(fā)現(xiàn)相似社區(qū),最后將相似社區(qū)融合后產(chǎn)生推薦。通過社交網(wǎng)站中的真實數(shù)據(jù)進(jìn)行實驗,表明該算法更加適用于人數(shù)較少的小規(guī)模社交網(wǎng)絡(luò),并且相對CUPC算法中提及的兩種擴(kuò)充好友列表方法,該算法的準(zhǔn)確率和召回率均有所提升。實驗結(jié)果表明,本文提出的兩種算法相對于原文算法在用戶相似度均值、準(zhǔn)確率和召回率上均有所提升。在社交網(wǎng)絡(luò)中使用本文提及的算法,對用戶具有提升用戶體驗的積極意義,對運營商具有提升用戶粘性,提升收益的積極意義,對其他領(lǐng)域的個性化推薦算法研究也有著一定的理論借鑒意義。
【圖文】：

中國互聯(lián)網(wǎng)絡(luò)信息中心（CNNIC）于 2017 年 8 月 4 日下午發(fā)布了 2017 年度的《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計報告》。該報告顯示截至 2017 年 6 月，我國網(wǎng)民人數(shù)達(dá)到 7.51 億，達(dá)到全國總?cè)丝诘?54.3%。當(dāng)今社會的人們已經(jīng)不再滿足于成為信息的接受者，而更傾向于成為信息的發(fā)布者與分享者。正是由于這種需求，社交網(wǎng)絡(luò)服務(wù)（Social Network Service，簡稱 SNS）應(yīng)運而生。越來越多的人們開始使用社交網(wǎng)絡(luò)，在社交網(wǎng)絡(luò)上記錄自己的生活、發(fā)布自己的觀點、瀏覽自己感興趣的信息。社交網(wǎng)絡(luò)已經(jīng)不僅是一種與他人分享交流信息的途徑，更成為人們生活中的一大組成部分，在潛移默化之中改變著人們?nèi)粘＝涣鞯姆绞健Ｈ绻麑ι缃痪W(wǎng)絡(luò)進(jìn)行溯源，最早可以溯源到上個世紀(jì) 80 年代中葉的電子公告牌系統(tǒng)（Bulletin Board System，簡稱 BBS）以及美國在線（American Online，簡稱 AOL）。這些大多只是論壇形式的信息發(fā)布地，他們只是社交網(wǎng)絡(luò)概念的雛形。目前，這種較為原始的社交網(wǎng)絡(luò)仍在沿用，如圖 1-1 所示的我國的“天涯論壇”。

圖 1-2 Twitter 中的個性化推薦系統(tǒng)Fig. 1-2 Personalize in Twitter內(nèi)外研究現(xiàn)狀20 世紀(jì) 90 年代，個性化推薦技術(shù)已經(jīng)得到了國內(nèi)外相關(guān)領(lǐng)域?qū)W些關(guān)注不僅體現(xiàn)在推薦技術(shù)的理論研究中，更加體現(xiàn)在實際應(yīng)技術(shù)首創(chuàng)者是 Amazon，它的出現(xiàn)不僅給 Amazon 公司帶來了將個性化推薦技術(shù)帶入了人們的生活。Amazon 公司首先對用接著對這些數(shù)據(jù)通過一定的算法進(jìn)行分析，根據(jù)用戶的偏好，化推薦。算法主要通過分析用戶的相似性，挖掘當(dāng)前用戶沒有買過的物品來進(jìn)行推薦。這樣一來，用戶無需花費大量的時間買的物品，為用戶節(jié)省了時間，提升了用戶體驗，從而為 Am收益，使得當(dāng)年公司收益同期增長約 23%。Netflix 是一家著提供商，為了給用戶推薦更為準(zhǔn)確的視頻，，曾經(jīng)在 2006 年懸
【學(xué)位授予單位】：河南科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP391.3

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉輝;郭夢夢;潘偉強(qiáng);;個性化推薦系統(tǒng)綜述[J];常州大學(xué)學(xué)報(自然科學(xué)版);2017年03期

2 周麗杰;于偉海;郭成;;基于社交網(wǎng)絡(luò)中權(quán)威用戶身份發(fā)現(xiàn)算法[J];計算機(jī)工程與設(shè)計;2017年05期

3 李穎;方興;;微博個性化推薦技術(shù)綜述[J];全國流通經(jīng)濟(jì);2017年08期

4 李改;陳強(qiáng);李磊;潘進(jìn)財;;融合社交網(wǎng)絡(luò)的單類個性化協(xié)同排序算法[J];計算機(jī)科學(xué);2017年02期

5 張逸;;基于艾賓浩斯遺忘曲線的英語詞匯學(xué)習(xí)策略探析[J];考試周刊;2017年09期

6 郭文健;高仲合;段婷婷;;基于信任網(wǎng)絡(luò)的個性化推薦算法[J];電子技術(shù);2016年12期

7 王帥;蘭少華;;基于顯式和隱式社交網(wǎng)絡(luò)的混合推薦[J];計算機(jī)應(yīng)用與軟件;2016年11期

8 湯穎;鐘南江;范菁;;一種結(jié)合用戶評分信息的改進(jìn)好友推薦算法[J];計算機(jī)科學(xué);2016年09期

9 肖曉麗;錢婭麗;李旦江;譚柳斌;;基于用戶興趣和社交信任的聚類推薦算法[J];計算機(jī)應(yīng)用;2016年05期

10 丁永剛;張馨;桑秋俠;金夢甜;張紅波;;融合學(xué)習(xí)者社交網(wǎng)絡(luò)的協(xié)同過濾學(xué)習(xí)資源推薦[J];現(xiàn)代教育技術(shù);2016年02期

相關(guān)碩士學(xué)位論文 前1條

1 蘭冰;社交網(wǎng)絡(luò)中個性化推薦方法的研究[D];電子科技大學(xué);2014年

本文編號：2551476