隨著新興社交媒體的流行,微博已經(jīng)成為人們分享、傳播、獲取信息的重要平臺。用戶的爆炸式增長導致微博平臺產(chǎn)生的數(shù)據(jù)呈指數(shù)級增長,信息過載問題日益加劇。因此,針對用戶的潛在需求,準確挖掘其興趣從而實現(xiàn)微博推薦變得尤為重要。首先,為解決微博用戶興趣提取不準確的問題,根據(jù)微博系統(tǒng)中不同文本信息的特點,挖掘用戶個體靜態(tài)、動態(tài)興趣;其次,針對用戶冷啟動問題,考慮關注用戶對用戶興趣的影響,計算用戶擴展興趣;最后,使用改進的K-means算法對微博用戶分組聚類,在一定程度上解決了微博推薦算法效率低的問題。論文的主要工作包括三個方面:（1）挖掘用戶個體靜態(tài)、動態(tài)興趣。針對用戶文本信息的不同特性,從用戶標簽中提取個體靜態(tài)興趣;從用戶的微博中挖掘個體動態(tài)興趣,并描述了興趣隨時間的變化過程。（2）獲取用戶擴展興趣。首先,將用戶個體靜態(tài)、動態(tài)興趣分別與關聯(lián)靜態(tài)、動態(tài)興趣線性調(diào)和得到擴展靜態(tài)、動態(tài)興趣。其中,關聯(lián)靜態(tài)興趣通過關注用戶的個體靜態(tài)興趣和用戶與其關注用戶的關系強度計算得到,關聯(lián)動態(tài)興趣的計算方法與之相同。然后,賦予用戶擴展靜態(tài)、動態(tài)興趣不同的權(quán)重計算得到用戶擴展興趣。（3）利用改進的K-means算法對用... 

【文章來源】：河北大學河北省

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【部分圖文】：

新浪微博用戶u的轉(zhuǎn)發(fā)微博1

新浪微博用戶u的轉(zhuǎn)發(fā)微博2

新浪微博用戶u的轉(zhuǎn)發(fā)微博3

【參考文獻】：
期刊論文
[1]一種雙層的微博用戶相似度算法[J]. 熊回香,葉佳鑫.  情報雜志. 2018(06)
[2]基于遺忘曲線的用戶影響力時效性度量方法[J]. 鈕瑗瑗,程國振,齊超,扈紅超.  計算機應用. 2017(S1)
[3]一種基于社區(qū)發(fā)現(xiàn)的微博個性化推薦算法[J]. 李超逸,張仰森,佟玲玲.  微電子學與計算機. 2017(06)
[4]一種基于用戶動態(tài)興趣和社交網(wǎng)絡的微博推薦方法[J]. 陳杰,劉學軍,李斌,章瑋.  電子學報. 2017(04)
[5]基于微博的用戶相似度計算研究[J]. 鄭志蘊,賈春園,王振飛,李鈍.  計算機科學. 2017(02)
[6]基于背景和內(nèi)容的微博用戶興趣挖掘[J]. 仲兆滿,管燕,胡云,李存華.  軟件學報. 2017(02)
[7]基于k-means文本聚類的新浪微博個性化博文推薦研究[J]. 譚晉秀,何躍.  情報科學. 2016(04)
[8]微博中用戶標簽的研究[J]. 邢千里,劉列,劉奕群,張敏,馬少平.  軟件學報. 2015(07)
[9]微博用戶興趣發(fā)現(xiàn)研究[J]. 石偉杰,徐雅斌.  現(xiàn)代圖書情報技術(shù). 2015(01)
[10]融合用戶標簽和關系的微博用戶相似性度量[J]. 吳樹芳,徐建民,武曉波.  情報雜志. 2014(12)

碩士論文
[1]基于用戶興趣的微博推薦方法研究[D]. 王寧寧.山東師范大學 2017
[2]基于標簽的微博信息推薦技術(shù)研究[D]. 賈美惠子.西北師范大學 2016
[3]協(xié)同聚類及集成的關鍵技術(shù)研究[D]. 黃樹東.西南交通大學 2015
[4]基于微博的用戶興趣分析與個性化信息推薦[D]. 王廣新.上海交通大學 2013
[5]基于VSM的中文網(wǎng)頁分類特征選擇技術(shù)研究與實現(xiàn)[D]. 周帆.武漢理工大學 2012
[6]微博網(wǎng)絡的社區(qū)發(fā)現(xiàn)研究[D]. 曾王輝.云南大學 2012
[7]網(wǎng)絡輿情熱點發(fā)現(xiàn)相關技術(shù)研究[D]. 秦宏宇.哈爾濱工程大學 2010



本文編號：3075078