本文關鍵詞：基于主題和關系的社交網絡潛在好友推薦研究，由筆耕文化傳播整理發(fā)布。

【摘要】：社交網絡（Social Network Site, SNS）作為Web2.0時代的典型應用，在世界各地迅速流行起來，現已成為人們日常生活中不可或缺的一部分。在社交網絡中，用戶通過添加、關注好友等方式建立和拓展屬于自己的社交圈，從而進行互動交流以及信息分享。然而隨著社交網絡規(guī)模的擴大以及用戶數量的急劇增長，尋找好友、拓展自己的社交圈對普通用戶來說變得越來越困難。為了解決社交網絡信息過載問題，社交網絡好友推薦系統應運而生。研究表明，社交網絡中的用戶不僅與現實生活中認識的朋友建立聯系，還希望通過社交網絡這個平臺添加、關注一些有著相同興趣愛好的新朋友。然而目前對于這類興趣相似的“潛在好友”的推薦研究較少，且沒有SNS網站提供潛在好友推薦的功能，這極大程度上抑制了社交網絡的發(fā)展。為進一步滿足用戶基于興趣的交友需求，本文以微博為例，將研究重點放在“潛在好友”的推薦上。 目前社交網絡好友推薦的方法中，基于關系的好友推薦所推薦的好友數量和范圍非常有限，而基于內容的好友推薦所推薦好友的接受率和認可率較低。因此本文提出一種混合推薦模型，以期提高推薦效果。本文將主題模型引入到基于內容的推薦中，以解決傳統向量空間模型（VSM）存在的不足。在主題推薦模塊中，采用一種適用于社交網絡的UserLDA模型，將同一位用戶的所有微博文本聚集成一個用戶文檔，并采用Collapsed吉布斯抽樣方法估計參數，將用戶文檔的在特征詞上的向量轉換成該用戶在主題上的概率分布，以此體現其在隱藏“主題”上的興趣偏好，從而根據用戶的主題概率分布進行興趣相似度的計算。在關系推薦模塊中，將根據用戶的鏈接關系網絡計算關系相似度的過程看作是鏈接預測問題，對RA指數和Jaccard系數進行改進，使其適用于有向網絡中，從計算用戶之間的關系相似度。最后對兩個推薦模塊產生的相似度進行線性加權，根據得到的綜合相似度向目標用戶進行TOP-N潛在好友推薦。 為了驗證本文提出模型的有效性，將其應用于真實的新浪微博數據中，，并與基于內容的傳統向量空間模型以及基于關系的兩階段好友推薦模型進行實驗對比，實驗結果證明本文提出的混合推薦模型比其它模型具有較高的F1值，即能產生更好的推薦效果。
【關鍵詞】：社交網絡 潛在好友 好友推薦 主題模型 鏈接預測 Top-N推薦
【學位授予單位】：杭州電子科技大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：F49
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 緒論11-18
• 1.1 研究背景11-12
• 1.2 社交網絡12-15
• 1.2.1 社交網絡理論基礎12
• 1.2.2 社交網絡基本特征12-13
• 1.2.3 社交網絡分類13-14
• 1.2.4 微博14-15
• 1.3 研究目的及意義15
• 1.4 研究內容15-16
• 1.5 章節(jié)安排16-17
• 1.6 本章小結17-18
• 第二章 相關研究綜述18-27
• 2.1 推薦系統研究綜述18-22
• 2.1.1 協同過濾推薦18-20
• 2.1.2 基于內容的推薦20-22
• 2.2 社交網絡好友推薦研究綜述22-26
• 2.2.1 基于關系的好友推薦22-23
• 2.2.2 基于內容的好友推薦23-24
• 2.2.3 混合推薦24-25
• 2.2.4 名人推薦25-26
• 2.3 本章小結26-27
• 第三章 主題模型27-37
• 3.1 主題模型的引入27-28
• 3.2 主題模型的發(fā)展28
• 3.3 標準 LDA 模型28-31
• 3.3.1 LDA 模型示意圖29-30
• 3.3.2 LDA 模型文檔生成過程30
• 3.3.3 LDA 模型參數估計30-31
• 3.4 一種應用于社交網絡的 LDA 擴展模型31-36
• 3.4.1 用戶文檔的構建與表示32-33
• 3.4.2 UserLDA 主題建模33-34
• 3.4.3 UserLDA 參數估計34-36
• 3.5 本章小結36-37
• 第四章 基于主題和關系的社交網絡潛在好友推薦模型37-47
• 4.1 問題引出37
• 4.2 推薦模型框架37-39
• 4.3 基于鏈接預測的關系推薦模塊39-42
• 4.3.1 鏈接預測問題39
• 4.3.2 社交網絡表示39-40
• 4.3.3 改進的 RA 指數40-41
• 4.3.4 改進的 Jaccard 系數41-42
• 4.3.5 關系相似度計算42
• 4.4 基于 UserLDA 模型的主題推薦模塊42-46
• 4.4.1 UserLDA 模型輸入43
• 4.4.2 參數估計43-45
• 4.4.3 興趣相似度計算45-46
• 4.5 綜合相似度計算46
• 4.6 本章小結46-47
• 第五章 實驗及結果分析47-59
• 5.1 實驗平臺47
• 5.1.1 實驗環(huán)境47
• 5.1.2 相關工具47
• 5.2 實驗數據47-52
• 5.2.1 數據采集48-50
• 5.2.2 數據預處理50-52
• 5.3 評價指標52-53
• 5.4 實驗設計和結果分析53-58
• 5.4.1 UserLDA 主題模型分析53-56
• 5.4.2 潛在好友推薦及結果分析56-57
• 5.4.3 對比實驗及結果分析57-58
• 5.5 本章小結58-59
• 第六章 總結與展望59-61
• 6.1 工作總結59
• 6.2 不足與展望59-61
• 6.2.1 本文存在的不足59-60
• 6.2.2 展望60-61
• 致謝61-62
• 參考文獻62-65
• 附錄65

【參考文獻】

中國期刊全文數據庫 前10條

1 羅寧;徐俊剛;郭洪韜;;基于Lucene的中文分詞模塊的設計和實現[J];電子技術;2012年09期

2 張晨逸;孫建伶;丁軼群;;基于MB-LDA模型的微博主題挖掘[J];計算機研究與發(fā)展;2011年10期

3 東昱曉;柯慶;吳斌;;基于節(jié)點相似性的鏈接預測[J];計算機科學;2011年07期

4 余力,劉魯;電子商務個性化推薦研究[J];計算機集成制造系統;2004年10期

5 張小平;周雪忠;黃厚寬;馮奇;陳世波;;基于詞相似性與CRP的主題模型[J];模式識別與人工智能;2010年01期

6 賀超波;湯庸;陳國華;劉海;吳琳琳;;面向大規(guī)模社交網絡的潛在好友推薦方法[J];合肥工業(yè)大學學報(自然科學版);2013年04期

7 胡愛娜;;基于MapReduce的分布式EM算法的研究與應用[J];科技通報;2013年06期

8 張志飛;苗奪謙;高燦;;基于LDA主題模型的短文本分類方法[J];計算機應用;2013年06期

9 謝昊;江紅;;一種面向微博主題挖掘的改進LDA模型[J];華東師范大學學報(自然科學版);2013年06期

10 陳克寒;韓盼盼;吳健;;基于用戶聚類的異構社交網絡推薦算法[J];計算機學報;2013年02期

中國博士學位論文全文數據庫 前1條

1 邢星;社交網絡個性化推薦方法研究[D];大連海事大學;2013年

  本文關鍵詞：基于主題和關系的社交網絡潛在好友推薦研究，由筆耕文化傳播整理發(fā)布。

本文編號：405564