社交網(wǎng)絡(luò)平臺的發(fā)展方便了人們的交流,人們足不出戶通過虛擬網(wǎng)絡(luò)即可獲得相應(yīng)的信息。大量用戶通過社交平臺發(fā)布信息進(jìn)行交流,構(gòu)成了復(fù)雜的社交網(wǎng)絡(luò)。隨著社交網(wǎng)絡(luò)中用戶數(shù)量的增多,根據(jù)用戶輸入信息準(zhǔn)確地定位到社交網(wǎng)絡(luò)中潛在用戶的難度隨之增大,人脈搜索和推薦的準(zhǔn)確率也急劇下降。為了提高人脈搜索和推薦的準(zhǔn)確率,本文結(jié)合用戶內(nèi)容及網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)等因素對人脈搜索算法和人脈推薦算法進(jìn)行研究。最后實現(xiàn)了個性化的人脈搜索推薦系統(tǒng),為用戶提供搜索和推薦服務(wù)。論文研究主要分為三部分,具體研究內(nèi)容如下:（1）基于Doc2Vec和卷積神經(jīng)網(wǎng)絡(luò)的人脈搜索算法研究。針對社交網(wǎng)絡(luò)中無法準(zhǔn)確查找到用戶的問題,本研究基于Doc2Vec模型和卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建用戶特征信息模型,以深入挖掘用戶的信息并進(jìn)行向量化表示。將用戶特征信息模型與Solr原有排序算法相融合,對檢索結(jié)果進(jìn)行二次排序,以滿足目標(biāo)用戶對于潛在用戶查找的需求。實驗表明,基于Doc2Vec模型和卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的人脈搜索算法較單一的Doc2Vec模型構(gòu)建的搜索算法及Solr搜索算法在Mean Average Precision（MAP）上分別提高了15.3%和8.3%,在... 

【文章來源】：西北農(nóng)林科技大學(xué)陜西省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 個性化搜索引擎研究現(xiàn)狀
        1.2.2 推薦算法研究現(xiàn)狀
    1.3 研究主要內(nèi)容
    1.4 研究方法與技術(shù)路線
        1.4.1 研究方法
        1.4.2 技術(shù)路線
    1.5 論文組織結(jié)構(gòu)
第二章 相關(guān)基礎(chǔ)理論與技術(shù)簡介
    2.1 個性化搜索引擎及算法
        2.1.1 常見的信息檢索算法
        2.1.2 前向傳播和反向傳播
        2.1.3 句子語義分析方法
        2.1.4 Solr搜索引擎簡介
        2.1.5 Solr搜索引擎原理
    2.2 個性化推薦算法
        2.2.1 N-Gram模型
        2.2.2 詞向量生成方法
        2.2.3 PageRank算法
        2.2.4 LeaderRank算法
        2.2.5 加權(quán)LeaderRank算法
    2.3 本章小結(jié)
第三章 基于Doc2Vec和卷積神經(jīng)網(wǎng)絡(luò)的人脈搜索算法研究
    3.1 用戶特征信息模型構(gòu)建
        3.1.1 模型整體架構(gòu)
        3.1.2 輸入層設(shè)計
        3.1.3 卷積層設(shè)計
        3.1.4 池化層設(shè)計
        3.1.5 全連接層設(shè)計
    3.2 人脈搜索排序算法設(shè)計
        3.2.1 模型構(gòu)建
        3.2.2 算法流程
    3.3 實驗與分析
        3.3.1 實驗數(shù)據(jù)集
        3.3.2 實驗環(huán)境和度量標(biāo)準(zhǔn)
        3.3.3 實驗結(jié)果及分析
    3.4 本章小結(jié)
第四章 基于加權(quán)LeaderRank的人脈推薦算法研究
    4.1 問題描述
    4.2 數(shù)據(jù)向量化表示
    4.3 人脈推薦算法設(shè)計
        4.3.1 鏈入鏈出相關(guān)度
        4.3.2 內(nèi)容相關(guān)度
        4.3.3 時間衰減度
    4.4 實驗與分析
        4.4.1 實驗數(shù)據(jù)集
        4.4.2 實驗環(huán)境和度量標(biāo)準(zhǔn)
        4.4.3 實驗結(jié)果及分析
    4.5 本章小結(jié)
第五章 人脈搜索推薦系統(tǒng)實現(xiàn)
    5.1 系統(tǒng)總體架構(gòu)
    5.2 系統(tǒng)實現(xiàn)
        5.2.1 運行環(huán)境
        5.2.2 搜索模塊
        5.2.3 推薦模塊
    5.3 系統(tǒng)測試與評價
        5.3.1 系統(tǒng)測試
        5.3.2 系統(tǒng)評價
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
個人簡歷


【參考文獻(xiàn)】：
期刊論文
[1]融合用戶行為分析和興趣序列相似性的個性化推薦方法研究[J]. 王剛,郭雪梅.  情報理論與實踐. 2019(07)
[2]基于VSM和Bisecting K-means聚類的新聞推薦方法[J]. 袁仁進(jìn),陳剛,李鋒,魏雙建.  北京郵電大學(xué)學(xué)報. 2019(01)
[3]基于用戶交互的社交網(wǎng)絡(luò)好友推薦算法[J]. 龍增艷,陳志剛,徐成林.  計算機工程. 2019(03)
[4]基于多維信任和聯(lián)合矩陣分解的社會化推薦方法[J]. 王磊,任航,龔凱.  計算機應(yīng)用. 2019(05)
[5]LBSN中融合類別信息的混合推薦模型[J]. 張岐山,李可,林小榕.  計算機系統(tǒng)應(yīng)用. 2019(01)
[6]基于情感空間的用戶閱讀興趣模型研究[J]. 趙澤昱,陳健,張月琴.  計算機工程. 2019(01)
[7]基于社區(qū)劃分和用戶相似度的好友信息服務(wù)推薦研究[J]. 張繼東,蔡雪.  情報理論與實踐. 2019(04)
[8]融合興趣的微博用戶相似度計算研究[J]. 黃賢英,陽安志,劉小洋,劉廣峰.  計算機應(yīng)用研究. 2020(01)
[9]基于微博的個性化社區(qū)推薦算法[J]. 于笑明,李文杰.  天津理工大學(xué)學(xué)報. 2018(05)
[10]基于大數(shù)據(jù)與LDA融合的微博信息推薦方法研究[J]. 崔金棟,杜文強,關(guān)楊.  情報科學(xué). 2018(09)

碩士論文
[1]基于深度學(xué)習(xí)的個性化引文搜索推薦算法研究[D]. 陳志濤.西北農(nóng)林科技大學(xué) 2018
[2]基于lucene的垂直搜索引擎研究[D]. 張振華.吉林大學(xué) 2018
[3]基于CNN的陸空通話語義識別方法[D]. 盧薇冰.中國民航大學(xué) 2017
[4]基于群組用戶畫像的農(nóng)業(yè)信息化推薦算法研究[D]. 賈偉洋.西北農(nóng)林科技大學(xué) 2017
[5]基于用戶興趣模型的個性化農(nóng)業(yè)搜索引擎的研究與實現(xiàn)[D]. 蔣陽輝.西北農(nóng)林科技大學(xué) 2016
[6]基于用戶行為的社交網(wǎng)絡(luò)用戶動態(tài)影響力模型研究[D]. 張寧.遼寧大學(xué) 2015
[7]基于用戶偏好的個性化搜索模型研究[D]. 胡馳.華中科技大學(xué) 2015
[8]基于用戶興趣模型的個性化搜索排序研究[D]. 徐康.浙江理工大學(xué) 2015
[9]基于Word2Vec主題提取的微博推薦[D]. 朱雪梅.北京理工大學(xué) 2014



本文編號：3467005