本文關(guān)鍵詞：基于主題模型的個性化信息推薦，由筆耕文化傳播整理發(fā)布。

【摘要】：在當今的互聯(lián)網(wǎng)時代，人們每天都會產(chǎn)生大量的信息，信息的增長速度已經(jīng)遠遠大于人類可以容納的上限。在這個信息過載的時代，從海量的信息中高效地篩選出人們所需要的信息是至關(guān)重要的。從搜索引擎到推薦系統(tǒng)，都是為了解決這個問題而發(fā)展起來的。另一方面，當今的互聯(lián)網(wǎng)時代已然是移動互聯(lián)網(wǎng)時代，，用戶每天在互聯(lián)網(wǎng)上產(chǎn)生的數(shù)據(jù)越來越多，數(shù)據(jù)的價值也越來越大，根據(jù)這些數(shù)據(jù)，為用戶提供個性化服務(wù)已經(jīng)是主流趨勢。其中，微博等社交網(wǎng)絡(luò)便是一個巨大的用戶數(shù)據(jù)源，如何利用這些數(shù)據(jù)分析用戶的興趣，是近年來的研究熱點。 本文便是在微博數(shù)據(jù)的基礎(chǔ)上，研究如何挖掘用戶的興趣并對其進行個性化推薦。首先，本文對LDA主題模型進行了深入研究及分析，并研究了其在微博領(lǐng)域的應(yīng)用，得出了LDA不適合直接應(yīng)用于微博短文本的結(jié)論。繼而提出了一種針對微博用戶的建模方法：合并用戶的微博集合，建立一個用戶—主題—單詞的三層模型，用戶對話題的感興趣程度便可以用這個模型來表示。然后，根據(jù)用戶的主題分布之間的相似性，提出了相似用戶的推薦算法，我們設(shè)計了基于向量空間模型和隱馬爾科夫模型的對比實驗，實驗數(shù)據(jù)采用從新浪微博采集的真實數(shù)據(jù)，結(jié)果表明，該方法具有很好的效果，具有很大的應(yīng)用價值。其次，本文利用微博用戶的社交特征，提出了利用其粉絲和關(guān)注關(guān)系計算用戶價值的方法，并將其利用到推薦算法中，用以產(chǎn)生不同側(cè)重點的推薦列表，更好地滿足各種用戶的不同需求。最后，本文還提出了一種利用用戶主題模型進行新聞推薦的方法，將其和基于非負矩陣的推薦方法做對比實驗，結(jié)果表明，本文提出的算法不但可以發(fā)現(xiàn)用戶對某個主題的興趣，還能得出其對多個主題的興趣分布。而現(xiàn)實中的用戶一般都會有多個感興趣的主題，本算法可以根據(jù)用戶的多重興趣分布，為其推薦多個感興趣話題下的新聞，可以更好地滿足用戶需求。
【關(guān)鍵詞】：主題模型 LDA 微博 用戶模型 個性化推薦
【學位授予單位】：北京工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TP391.3
【目錄】：

• 摘要4-5
• Abstract5-8
• 第1章 緒論8-13
• 1.1 研究背景與意義8-9
• 1.2 國內(nèi)外研究現(xiàn)狀9-11
• 1.3 本文研究內(nèi)容11
• 1.4 本文組織結(jié)構(gòu)11-13
• 第2章 主題模型概述13-20
• 2.1 主題模型簡介13-14
• 2.2 潛在狄利克雷分配 LDA 模型14-17
• 2.2.1 模型介紹14-16
• 2.2.2 參數(shù)估計16-17
• 2.3 其他常用主題模型17-19
• 2.4 本章小結(jié)19-20
• 第3章 基于主題模型的微博信息推薦方法研究20-38
• 3.1 噪音微博的過濾20-23
• 3.1.1 樸素貝葉斯分類器20-22
• 3.1.2 基于樸素貝葉斯的噪音微博過濾22-23
• 3.2 基于 LDA 模型的微博用戶模型23-25
• 3.3 基于隱馬爾科夫模型的用戶模型25-27
• 3.3.1 隱馬爾科夫模型介紹25-27
• 3.3.2 基于 HMM 為用戶建模27
• 3.4 個性化微博用戶推薦27-29
• 3.4.1 相似度計算27-28
• 3.4.2 用戶推薦算法28-29
• 3.5 微博用戶個體價值在推薦中的作用29-33
• 3.5.1 PageRank 與 PeopleRank29-32
• 3.5.2 用戶價值的衡量及其應(yīng)用32-33
• 3.6 個性化新聞推薦33-37
• 3.6.1 新聞網(wǎng)頁正文信息提取33-35
• 3.6.2 基于非負矩陣分解的新聞推薦算法35-36
• 3.6.3 基于 LDA 的新聞推薦算法36-37
• 3.7 本章小結(jié)37-38
• 第4章 微博用戶個性化推薦系統(tǒng)設(shè)計與實現(xiàn)38-46
• 4.1 系統(tǒng)簡介38-39
• 4.2 系統(tǒng)整體架構(gòu)39-42
• 4.3 系統(tǒng)模塊設(shè)計42-45
• 4.3.1 數(shù)據(jù)采集模塊42-43
• 4.3.2 預(yù)處理模塊43-44
• 4.3.3 主題分析模塊44
• 4.3.4 個性化推薦模塊44-45
• 4.4 本章小結(jié)45-46
• 第5章 實驗評估與結(jié)果分析46-68
• 5.1 微博數(shù)據(jù)預(yù)處理46-50
• 5.1.1 實驗設(shè)計46-48
• 5.1.2 實驗結(jié)果及分析48-50
• 5.2 用戶主題模型的構(gòu)建50-54
• 5.2.1 基于 LDA 主題模型的用戶模型50-51
• 5.2.2 LDA 用戶模型評價方法51-52
• 5.2.3 其他用戶建模方法52-54
• 5.3 微博用戶推薦54-61
• 5.3.1 實驗設(shè)計54-56
• 5.3.2 實驗結(jié)果及分析56-58
• 5.3.3 基于用戶價值的改進實驗58-61
• 5.4 新聞頁面推薦61-67
• 5.4.1 實驗設(shè)計61-62
• 5.4.2 實驗結(jié)果及分析62-67
• 5.5 本章小結(jié)67-68
• 結(jié)論68-70
• 參考文獻70-74
• 攻讀碩士學位期間發(fā)表的學術(shù)論文74-76
• 致謝76

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 吳玲達,謝毓湘,欒悉道,肖鵬;互聯(lián)網(wǎng)多媒體主題信息自動收集與處理系統(tǒng)的研制[J];計算機應(yīng)用研究;2005年05期

2 蔣凡,高俊波,張敏,王煦法;BBS中主題發(fā)現(xiàn)原型系統(tǒng)的設(shè)計與實現(xiàn)[J];計算機工程與應(yīng)用;2005年31期

3 周亦鵬;杜軍平;;基于時空情境模型的主題跟蹤[J];華南理工大學學報(自然科學版);2012年08期

4 陳雄;都云程;李渝勤;施水才;;基于頁面結(jié)構(gòu)分析的論壇主題信息定位方法研究[J];微計算機信息;2010年27期

5 何利益;陸國鋒;羅鵬;;動態(tài)新聞主題信息推薦系統(tǒng)設(shè)計[J];指揮信息系統(tǒng)與技術(shù);2013年04期

6 關(guān)慧芬;師軍;;基于本體的主題爬蟲技術(shù)研究[J];計算機仿真;2009年10期

7 張宇;宋巍;劉挺;李生;;基于URL主題的查詢分類方法[J];計算機研究與發(fā)展;2012年06期

8 歐健文,董守斌,蔡斌;模板化網(wǎng)頁主題信息的提取方法[J];清華大學學報(自然科學版);2005年S1期

9 呂聚旺;都云程;王弘蔚;施水才;;基于新型主題信息量化方法的Web主題信息提取研究[J];現(xiàn)代圖書情報技術(shù);2008年12期

10 朱夢麟;李光耀;周毅敏;;基于樹比較的Web頁面主題信息抽取[J];微型機與應(yīng)用;2011年19期

中國重要會議論文全文數(shù)據(jù)庫 前7條

1 吳晨;宋丹;薛德軍;師慶輝;;科技主題識別及表示[A];第五屆全國信息檢索學術(shù)會議論文集[C];2009年

2 熊方;王曉宇;鄭駿;周傲英;;ITED:一種基于鏈接的主題提取和主題發(fā)現(xiàn)系統(tǒng)[A];第十九屆全國數(shù)據(jù)庫學術(shù)會議論文集（研究報告篇）[C];2002年

3 王玉婷;杜亞軍;涂騰濤;;基于Web鏈接的主題爬行蟲初始URL的研究[A];第四屆全國信息檢索與內(nèi)容安全學術(shù)會議論文集（上）[C];2008年

4 馮少卿;都云程;施水才;;基于模板的網(wǎng)頁主題信息抽取[A];第三屆全國信息檢索與內(nèi)容安全學術(shù)會議論文集[C];2007年

5 王琦;唐世渭;楊冬青;王騰蛟;;基于DOM的網(wǎng)頁主題信息自動提取[A];第二十一屆中國數(shù)據(jù)庫學術(shù)會議論文集（研究報告篇）[C];2004年

6 刁宇峰;王昊;林鴻飛;楊亮;;博客中重復評論發(fā)現(xiàn)[A];中國計算語言學研究前沿進展（2009-2011）[C];2011年

7 曹紅;袁津生;;多領(lǐng)域主題搜索引擎研究[A];第一屆全國Web信息系統(tǒng)及其應(yīng)用會議（WISA2004）論文集[C];2004年

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 吳永輝;面向?qū)I(yè)領(lǐng)域的網(wǎng)絡(luò)信息采集及主題檢測技術(shù)研究與應(yīng)用[D];哈爾濱工業(yè)大學;2010年

2 薛利;面向證券應(yīng)用的WEB主題觀點挖掘若干關(guān)鍵問題研究[D];復旦大學;2013年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 薛耀兵;科技文獻中的主題發(fā)現(xiàn)與趨勢預(yù)測[D];哈爾濱工業(yè)大學;2013年

2 陳浩;自定義主題信息抽取的研究與應(yīng)用[D];大連理工大學;2008年

3 吳彥文;主題信息合理性、語境意義偏向性對漢語句子歧義消解的實驗研究[D];陜西師范大學;2002年

4 戴興虎;基于主題的學術(shù)網(wǎng)絡(luò)構(gòu)建[D];浙江大學;2013年

5 吳曉娜;基于特征、先驗和約束的主題建模算法[D];蘇州大學;2014年

6 邸亮;基于主題模型的個性化信息推薦[D];北京工業(yè)大學;2014年

7 亓曉青;Web挖掘中的主題模型擴展[D];北京郵電大學;2013年

8 徐楓;基于主題爬蟲的視頻教程庫的研究與設(shè)計[D];廣西大學;2014年

9 徐西孟;基于OODA決策循環(huán)的主題發(fā)現(xiàn)技術(shù)的研究與設(shè)計[D];濟南大學;2011年

10 劉欣宇;基于主題策略的Web信息監(jiān)測系統(tǒng)研究與實現(xiàn)[D];重慶大學;2011年

  本文關(guān)鍵詞：基于主題模型的個性化信息推薦，由筆耕文化傳播整理發(fā)布。

本文編號：371233