在科技快速發(fā)展的今天,微博因其發(fā)布快、形式多樣、內(nèi)容豐富等優(yōu)點,逐漸發(fā)展成為人們?nèi)粘Ｉ钪胁豢苫蛉钡囊环N社交媒體。但隨著信息量的爆炸式增長,人們很難在大量復雜的數(shù)據(jù)中發(fā)現(xiàn)自己感興趣的內(nèi)容,因此個性化推薦用戶感興趣的博文就顯得格外重要。本文首先介紹了數(shù)據(jù)采集和預處理的相關(guān)技術(shù),接著從挖掘用戶感興趣話題和構(gòu)建影響力推薦模型兩個部分對微博推薦系統(tǒng)進行研究和實現(xiàn)。本文的研究工作主要包括以下三個部分:第一部分通過用戶興趣挖掘技術(shù)獲取用戶感興趣的話題,國內(nèi)外主要采用k-means算法對微博數(shù)據(jù)進行興趣挖掘,但傳統(tǒng)k-means在對數(shù)據(jù)進行處理時,存在易受初始聚類中心影響的缺點,本文引入改進的粒子群算法對其優(yōu)化,提出一種學習因子、時間因子隨權(quán)重動態(tài)調(diào)整的粒子群優(yōu)化聚類算法（MPSO-kmeans算法）。MPSO-kmeans算法既克服了傳統(tǒng)k-means的缺點,同時解決了粒子群算法中慣性權(quán)重和學習因子獨自調(diào)整導致的相互削弱的問題,實現(xiàn)了全局搜索和局部精度搜索的動態(tài)平衡,有效地提高了聚類效果,實現(xiàn)了微博用戶感興趣話題的高效挖掘。第二部分根據(jù)用戶感興趣的話題,搜索相關(guān)話題的博文,由此得出博文的相關(guān)屬性及... 

【文章來源】：江蘇科技大學江蘇省

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 微博推薦的研究現(xiàn)狀
        1.2.2 聚類算法的研究現(xiàn)狀
    1.3 論文的主要研究內(nèi)容
    1.4 論文的結(jié)構(gòu)安排
第2章 數(shù)據(jù)采集和預處理相關(guān)技術(shù)
    2.1 微博數(shù)據(jù)采集技術(shù)
        2.1.1 微博API提取技術(shù)
        2.1.2 網(wǎng)絡(luò)爬蟲信息提取技術(shù)
    2.2 微博信息預處理技術(shù)
        2.2.1 中文分詞及詞性標注
        2.2.2 停用詞
        2.2.3 文本表示模型
        2.2.4 特征項權(quán)重
    2.3 本章小結(jié)
第3章 基于粒子群優(yōu)化聚類算法的用戶興趣挖掘
    3.1 用戶興趣挖掘技術(shù)研究
        3.1.1 聚類分析
        3.1.2 K-means算法
        3.1.3 粒子群優(yōu)化算法
    3.2 改進的粒子群優(yōu)化的k-means算法
        3.2.1 改進的粒子群優(yōu)化k-means算法
        3.2.2 實驗及結(jié)果分析
    3.3 本章小結(jié)
第4章 基于主成分分析法的影響力模型
    4.1 主成分分析法
    4.2 影響力算法的研究
    4.3 基于主成分分析法的影響力模型構(gòu)建
        4.3.1 博文影響力模型
        4.3.2 用戶影響力模型
        4.3.3 綜合影響力推薦模型
    4.4 推薦模型評價
    4.5 本章小結(jié)
第5章 微博推薦系統(tǒng)的設(shè)計與實現(xiàn)
    5.1 系統(tǒng)架構(gòu)設(shè)計
    5.2 系統(tǒng)模塊設(shè)計與實現(xiàn)
        5.2.1 開發(fā)平臺及開發(fā)工具
        5.2.2 微博用戶數(shù)據(jù)采集模塊
        5.2.3 微博文本預處理模塊
        5.2.4 微博用戶興趣挖掘模塊
        5.2.5 興趣博文搜索與推薦模塊
    5.3 本章小結(jié)
總結(jié)與展望
參考文獻
攻讀學位期間發(fā)表的相關(guān)學術(shù)論文
致謝
詳細摘要


【參考文獻】：
期刊論文
[1]多起訖點貨物轉(zhuǎn)運配送車輛調(diào)度模型及其粒子群、蟻群算法混合求解[J]. 王雷震,汪定偉,王素欣.  信息與控制. 2018(05)
[2]基于社交圈發(fā)現(xiàn)與用戶信任度傳播的微博朋友推薦方法[J]. 朱明瑋,唐莫鳴.  軟件導刊. 2018(06)
[3]改進慣性權(quán)值的粒子群優(yōu)化算法[J]. 南杰瓊,王曉東.  西安工程大學學報. 2017(06)
[4]一種基于種群多樣性的粒子群優(yōu)化算法設(shè)計及應(yīng)用[J]. 韓紅桂,盧薇,喬俊飛.  信息與控制. 2017(06)
[5]粒子群算法的改進及其在優(yōu)化函數(shù)中的應(yīng)用[J]. 馬發(fā)民,張林,王錦彪.  計算機與數(shù)字工程. 2017(07)
[6]基于K-means聚類算法的改進[J]. 李金濤,艾萍,岳兆新,馬夢夢,邊世哲.  國外電子測量技術(shù). 2017(06)
[7]求解約束優(yōu)化問題的融合粒子群的教與學算法[J]. 趙乃剛,李勇,王振榮.  計算機應(yīng)用研究. 2018(05)
[8]多策略改進的多目標粒子群優(yōu)化算法[J]. 楊景明,穆曉偉,車海軍,呼子宇,侯宇浩.  控制與決策. 2017(03)
[9]基于層次分析的微博短文本特征計算方法[J]. 鄒學強,包秀國,黃曉軍,馬宏遠,袁慶升.  通信學報. 2016(12)
[10]粒子群優(yōu)化算法的性能分析和參數(shù)選擇[J]. 王東風,孟麗.  自動化學報. 2016(10)

碩士論文
[1]基于微博的個性化推薦算法研究[D]. 邱慧敏.北京郵電大學 2016
[2]基于k-means算法在微博數(shù)據(jù)挖掘中的應(yīng)用[D]. 楊勇.天津工業(yè)大學 2016
[3]基于微博的個性化新聞推薦算法的研究[D]. 李曉東.大連理工大學 2014
[4]微博爬蟲的相關(guān)技術(shù)研究[D]. 羅一紓.哈爾濱工業(yè)大學 2013
[5]微博影響力分析算法與個性化推薦系統(tǒng)的設(shè)計與實現(xiàn)[D]. 國洪文.西北大學 2013
[6]面向個性化推薦的用戶興趣建模技術(shù)研究[D]. 宮玲玲.山東師范大學 2013
[7]基于混合PSO的K-means算法及并行化研究[D]. 張世勇.重慶大學 2007



本文編號：3319696