本文關(guān)鍵詞：基于用戶聚類的微博話題推薦方法研究　出處：《安徽理工大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 微博話題 話題特征圖 用戶話題特征矩陣 用戶聚類

【摘要】：近年來,微博的規(guī)模不斷擴(kuò)大。微博規(guī)模擴(kuò)大的同時(shí)也帶來了微博平臺(tái)上話題的爆炸式增長,而微博平臺(tái)中大規(guī)模的話題資源和用戶的辨識(shí)能力之間存在著一定的矛盾。面對(duì)用戶瀏覽和關(guān)注話題的需求,微博平臺(tái)很難在大量的話題中準(zhǔn)確的提供滿足用戶偏好的話題。針對(duì)以上研究背景,本文提出了面向微博話題的推薦系統(tǒng),該系統(tǒng)能夠有效的在微博巨大的話題資源中找出滿足用戶偏好的話題集合,減少了用戶瀏覽微博話題的時(shí)間成本,提高了用戶效率。具體的研究內(nèi)容如下:首先,微博用戶影響力的計(jì)算。具有高影響力的用戶關(guān)注的微博話題往往更容易讓其他人關(guān)注(例如一個(gè)明星關(guān)注的話題很容易被其粉絲關(guān)注)。在微博中,用戶和用戶之間存在著關(guān)注和被關(guān)注的關(guān)系,在本論文中我們利用用戶網(wǎng)絡(luò)圖來分析和保存用戶關(guān)系,并在此基礎(chǔ)上,用一個(gè)算法(類似PageRank)來計(jì)算每個(gè)用戶的影響力。其次,微博用戶偏好的表達(dá)形式。如何表達(dá)一個(gè)用戶的話題偏好是微博話題推薦的一個(gè)難點(diǎn)。在本論文中,我們根據(jù)中文分詞,特征詞提取和關(guān)聯(lián)規(guī)則挖掘,基于同一話題下的微博和用戶歷史微博,提出了話題特征圖(TFG)和用戶微博特征圖(UTFG)。利用TFG和UMFG,進(jìn)一步抽象出了用戶話題特征矩陣(UTFM),用來表示用戶的偏好。最后,如何準(zhǔn)確高效的進(jìn)行推薦。同一偏好的用戶往往喜愛的話題也類似。在本論文中,我們基于UTFM,利用余弦距離通過凝聚層次算法進(jìn)行用戶聚類,在同一聚類簇內(nèi),結(jié)合話題熱度和用戶影響力,對(duì)用戶進(jìn)行推薦。通過對(duì)該推薦系統(tǒng)的分析和驗(yàn)證,該推薦系統(tǒng)在計(jì)算用戶影響力、定義用戶話題偏好表達(dá)形式和推薦微博話題算法上滿足一定的合理性,能夠準(zhǔn)確高效的把滿足用戶偏好的話題推薦給用戶。在微博話題數(shù)量巨大的情況下,能夠減少用戶的認(rèn)知負(fù)擔(dān),大大縮短用戶瀏覽微博所需要的時(shí)間,提高了用戶效率。
[Abstract]:In recent years, Weibo's scale has been expanding. Weibo's scale has also brought about the explosive growth of the topic on Weibo platform. However, there is a certain contradiction between the large-scale topic resources and the identification ability of users in Weibo platform. Weibo platform is difficult to accurately provide topics that satisfy user preferences in a large number of topics. In view of the above research background, this paper proposes a recommendation system for Weibo topics. This system can effectively find out the topic set that satisfies the user's preference in Weibo's huge topic resources, and reduces the time cost for users to browse Weibo topic. Improve the efficiency of users. The specific content of the study is as follows: first. The calculation of Weibo's user influence. Weibo topics that have high impact users tend to get other people's attention (for example, a star's topic is easily followed by his fans.) in Weibo. There is a relationship of concern and attention between users and users. In this paper, we use user network graph to analyze and save user relationships, and on this basis. Use an algorithm (similar to PageRank-like) to calculate the impact of each user. Second. The expression of Weibo user preference. How to express a user's topic preference is a difficulty of Weibo topic recommendation. In this paper, we use Chinese word segmentation, feature word extraction and association rules mining. Based on Weibo and user history Weibo under the same topic, a topic feature map (TFG) and a user Weibo feature map (UF GG) are proposed. TFG and UMFG are used. Furthermore, the user topic feature matrix is abstracted to represent the user preference. In this paper, we use cosine distance to cluster users based on UTFM. In the same cluster, the user is recommended by combining the topic heat and user influence. Through the analysis and verification of the recommendation system, the recommendation system calculates the user influence. It is reasonable to define the expression form of user topic preference and recommend Weibo topic algorithm, which can accurately and efficiently recommend the topic satisfying user preference to the user. In the case of a large number of Weibo topics. It can reduce the cognitive burden of users, greatly shorten the time that users need to browse Weibo, and improve the efficiency of users.
【學(xué)位授予單位】：安徽理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳超;齊開悅;陳劍波;;基于用戶聚類的播客節(jié)目推薦[J];計(jì)算機(jī)應(yīng)用與軟件;2009年03期

2 馬瑞新;朱明;孟宇;;基于粒子群的輿情網(wǎng)絡(luò)用戶聚類模擬與仿真[J];計(jì)算機(jī)科學(xué);2012年12期

3 丁向榮;;基于用戶聚類的框計(jì)算改進(jìn)模型研究[J];科技通報(bào);2012年12期

4 王榮;李晉宏;宋威;;基于關(guān)鍵字的用戶聚類算法[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年09期

5 張晨;;集群環(huán)境下用戶聚類算法的智能化站點(diǎn)的架構(gòu)[J];硅谷;2012年24期

6 彭艷;王小玲;;一種混合聚類算法在用戶聚類中的應(yīng)用研究[J];信息技術(shù);2008年01期

7 張海榮;朱信忠;趙建民;徐慧英;;一種優(yōu)化的基于用戶聚類的過濾推薦策略[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2008年11期

8 王輝;高利軍;王聽忠;;個(gè)性化服務(wù)中基于用戶聚類的協(xié)同過濾推薦[J];計(jì)算機(jī)應(yīng)用;2007年05期

9 王燕;孫玲芳;徐曰光;陳思光;黎維良;王雁秋;閆超;;基于高效多功能的聚類算法在Web挖掘中應(yīng)用的研究[J];科學(xué)技術(shù)與工程;2008年04期

10 黃松,劉曉明,宋自林;基于歸納化會(huì)話的網(wǎng)絡(luò)用戶的聚類[J];計(jì)算機(jī)研究與發(fā)展;2001年10期

相關(guān)會(huì)議論文 前1條

1 袁冠;夏士雄;張磊;李月娥;肖經(jīng)驗(yàn);;基于興趣度的Web用戶聚類方法[A];2008年全國開放式分布與并行計(jì)算機(jī)學(xué)術(shù)會(huì)議論文集(上冊(cè))[C];2008年

相關(guān)博士學(xué)位論文 前1條

1 趙潔;基于粒計(jì)算的Web使用挖掘研究[D];華南理工大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 楊登武;基于改進(jìn)的混合蛙跳算法的Web用戶聚類研究[D];西南大學(xué);2015年

2 周松松;基于MapReduce用戶聚類算法在Web日志挖掘中應(yīng)用[D];河北工業(yè)大學(xué);2015年

3 張世堯;基于用戶聚類的微博話題推薦方法研究[D];安徽理工大學(xué);2017年

4 顧振宇;基于點(diǎn)擊的用戶聚類的研究[D];電子科技大學(xué);2011年

5 馬曉艷;基于用戶瀏覽路徑的Web用戶聚類研究[D];西南大學(xué);2009年

6 陳澤紅;基于Web訪問日志的用戶聚類研究[D];廈門大學(xué);2014年

7 付志濤;基于Web日志的網(wǎng)絡(luò)用戶聚類研究與實(shí)現(xiàn)[D];南京理工大學(xué);2007年

8 蔣超;基于用戶聚類和語義詞典的微博推薦系統(tǒng)[D];浙江大學(xué);2013年

9 肖宗花;基于用戶訪問行為與內(nèi)容的用戶聚類算法的研究與實(shí)現(xiàn)[D];北京交通大學(xué);2013年

10 徐建華;面向營銷數(shù)據(jù)庫的用戶聚類策略及用戶興趣模式研究[D];合肥工業(yè)大學(xué);2008年

，

本文編號(hào)：1359011