本文關鍵詞：基于譜聚類的微博關注推薦方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：微博已成為網(wǎng)民獲取信息、表達思想、傳播交流的一個主要平臺，它具有傳播速度快、交互性強、信息獲取自由等特點，使得其信息增長非常迅速，海量的數(shù)據(jù)給用戶帶來了信息超載的問題，讓用戶無法順利的找到自己感興趣的對象。在這種背景下，需要一種新的針對不同微博用戶的個性化推薦服務，能夠根據(jù)微博用戶的特征和興趣，向用戶推薦符合其興趣偏好的關注對象。個性化的微博推薦服務不僅能提高微博營銷績效，而且能提高用戶體驗，如何進行精準的廣告投放已成為企業(yè)微博營銷需要解決的問題之一。 本文旨在提出改進目前微博關注推薦方法設計思路的建議，在微博用戶興趣模型構(gòu)建的基礎上，輔以譜聚類并結(jié)合協(xié)同過濾的推薦方法來挖掘微博用戶關注對象的關聯(lián)性，重點解決了以下兩個問題： 第一，基于多維特征的微博用戶興趣模型構(gòu)建。針對目前基于單一維度構(gòu)建微博用戶興趣模型導致微博關注推薦有效性不高的現(xiàn)狀，提出了基于多維特征的微博用戶興趣模型構(gòu)建方法，對微博用戶的特征與行為進行分析，確定微博用戶興趣的來源，將其轉(zhuǎn)化為用戶興趣，同時選取微博用戶興趣特征，并在此基礎上從微博用戶屬性、關鍵詞及微博用戶行為三個維度構(gòu)建了微博用戶興趣模型。 第二，基于隱性評分的微博關注推薦方法設計。針對現(xiàn)有微博用戶關注推薦方法的不足，提出了基于用戶屬性和隱性評分的微博關注推薦方法，從微博用戶的行為(@、轉(zhuǎn)發(fā)、評論)來對其進行隱性評分設計，并計算評分相似性，在此基礎上加入微博用戶屬性信息來計算用戶之間的相似性，最后通過二者的加權組合來篩選鄰居用戶，，不僅對協(xié)同過濾算法進行了改進，而且對傳統(tǒng)的鄰居用戶選取方法進行了改進，從而對目標用戶進行更加精準的推薦。 實驗結(jié)果表明，基于譜聚類的微博關注推薦方法比傳統(tǒng)的協(xié)同過濾技術更精確、更有效。該方法在理解微博用戶興趣偏好基礎上，深入分析微博用戶的特征與行為，改進了傳統(tǒng)的微博關注推薦方法，不僅為企業(yè)微博營銷策略提供指導，而且能為微博用戶提供精準、高效的微博關注推薦服務。
【關鍵詞】：微博用戶屬性 微博用戶行為 微博關注推薦 用戶興趣模型 協(xié)同過濾算法
【學位授予單位】：河南工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：F49
【目錄】：

• 摘要5-6
• Abstract6-12
• 第一章 緒論12-22
• 1.1 研究背景12-13
• 1.2 研究目的及意義13-14
• 1.3 國內(nèi)外研究現(xiàn)狀及評述14-19
• 1.3.1 微博用戶興趣建模文獻綜述14-16
• 1.3.2 譜聚類算法文獻綜述16-18
• 1.3.3 協(xié)同過濾算法文獻綜述18-19
• 1.4 研究內(nèi)容及組織結(jié)構(gòu)19-22
• 1.4.1 研究內(nèi)容19-20
• 1.4.2 論文的組織結(jié)構(gòu)20-22
• 第二章 概念界定、相關技術及方法框架22-36
• 2.1 概念界定22-24
• 2.1.1 微博用戶關注推薦項目22
• 2.1.2 微博用戶屬性22
• 2.1.3 微博用戶行為22-24
• 2.1.4 關鍵詞24
• 2.2 相關技術24-30
• 2.2.1 譜聚類算法及其相關技術24-27
• 2.2.2 協(xié)同過濾算法及其相關技術27-30
• 2.3 方法框架30-35
• 2.3.1 基于多維特征的微博用戶興趣模型構(gòu)建32-34
• 2.3.2 基于譜聚類算法的用戶分組34
• 2.3.3 基于協(xié)同過濾算法的微博關注推薦34-35
• 2.4 小結(jié)35-36
• 第三章 基于多維特征的微博用戶興趣模型構(gòu)建36-44
• 3.1 微博用戶興趣來源分析37-41
• 3.1.1 微博用戶行為分析37-39
• 3.1.2 關鍵詞分析39-40
• 3.1.3 微博用戶屬性分析40-41
• 3.2 微博用戶關注興趣模型的構(gòu)成41-43
• 3.3 小結(jié)43-44
• 第四章 基于隱性評分的微博關注推薦方法設計44-50
• 4.1 微博用戶行為的隱性評分設計45-46
• 4.2 微博用戶屬性信息分析46-47
• 4.2.1 性別分析46
• 4.2.2 年齡分析46-47
• 4.3 微博用戶相似鄰居的選取47-48
• 4.4 微博用戶關注推薦產(chǎn)生48-49
• 4.5 小結(jié)49-50
• 第五章 實驗與評估50-63
• 5.1 評價指標50-51
• 5.2 實驗設計51-52
• 5.3 數(shù)據(jù)收集52-55
• 5.3.1 微博用戶基本信息數(shù)據(jù)52-53
• 5.3.2 關鍵詞數(shù)據(jù)53-54
• 5.3.3 微博用戶行為數(shù)據(jù)54
• 5.3.4 微博用戶關系數(shù)據(jù)54-55
• 5.4 算法實現(xiàn)及實驗結(jié)果分析55-62
• 5.4.1 基于譜聚類的微博用戶分組55-57
• 5.4.2 基于協(xié)同過濾的微博關注推薦57-60
• 5.4.3 微博關注推薦的結(jié)果及分析60-62
• 5.5 小結(jié)62-63
• 結(jié)論63-65
• 參考文獻65-71
• 致謝71-72
• 作者簡介72-73
• 攻讀碩士學位期間取得的學術成果73

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 孫強;黃蓓蓓;;微博井噴式發(fā)展動力何在?——從用戶特征角度分析中國微博發(fā)展的動力因素[J];廣告大觀(理論版);2010年06期

2 張國安;鐘紹輝;;基于微博用戶評論和用戶轉(zhuǎn)發(fā)的數(shù)據(jù)挖掘[J];電腦知識與技術;2012年27期

3 王波;甄峰;席廣亮;錢前;吳乘月;張浩;;基于微博用戶關系的網(wǎng)絡信息地理研究——以新浪微博為例[J];地理研究;2013年02期

4 李聰;梁昌勇;董珂;;基于項目類別相似性的協(xié)同過濾推薦算法[J];合肥工業(yè)大學學報(自然科學版);2008年03期

5 田錚;李小斌;句彥偉;;譜聚類的擾動分析[J];中國科學(E輯:信息科學);2007年04期

6 林鴻飛,楊元生;用戶興趣模型的表示和更新機制[J];計算機研究與發(fā)展;2002年07期

7 張鋒;常會友;;使用BP神經(jīng)網(wǎng)絡緩解協(xié)同過濾推薦算法的稀疏性問題[J];計算機研究與發(fā)展;2006年04期

8 劉旭東;陳德人;鐘蘇麗;;使用群體興趣偏好度的協(xié)同過濾推薦[J];計算機工程與應用;2010年34期

9 王茜;王均波;;一種改進的協(xié)同過濾推薦算法[J];計算機科學;2010年06期

10 林霜梅;汪更生;陳弈秋;;個性化推薦系統(tǒng)中的用戶建模及特征選擇[J];計算機工程;2007年17期

  本文關鍵詞：基于譜聚類的微博關注推薦方法研究，由筆耕文化傳播整理發(fā)布。

本文編號：375663