本文選題：社交網(wǎng)絡(luò) + 推薦系統(tǒng)　； 參考：《哈爾濱工業(yè)大學(xué)》2013年碩士論文

【摘要】：微博作為一種社交媒體正在越來越深刻的改變?nèi)藗儷@取信息和交流的方式。越來越多的人愿意在微博中發(fā)表自己的觀點(diǎn)，表達(dá)自己的心情，發(fā)布最新的消息。然而隨著用戶在微博中關(guān)注了更多的人，用戶被大量的微博信息包圍，其中很大一部分是用戶不感興趣的。這給用戶在瀏覽微博時(shí)造成了一定的困擾，降低了用戶的體驗(yàn)。 用戶瀏覽的微博默認(rèn)按照時(shí)間的先后順序排列，本文旨在使用推薦系統(tǒng)將用戶感興趣的微博靠前放置，幫助用戶更快更好的獲得信息。 本文首先使用了基于特征矩陣分解的方法做微博推薦。矩陣分解是推薦系統(tǒng)中效果最好的方法之一，我們將其應(yīng)用在微博推薦場(chǎng)景中。同時(shí)針對(duì)微博的特點(diǎn)，在做推薦時(shí)，我們同時(shí)考慮了微博的內(nèi)容和社交特征以進(jìn)行更好個(gè)性化的推薦。本文將微博推薦定義為列表的排序問題，采用了搜索引擎評(píng)價(jià)中流行的MAP值作為評(píng)價(jià)指標(biāo)，實(shí)驗(yàn)結(jié)果證明了我們的方法較默認(rèn)的時(shí)間排序能夠更好的將用戶感興趣的微排在列表的前面，同時(shí)驗(yàn)證了微博推薦可以提升用戶體驗(yàn)。 在使用推薦系統(tǒng)進(jìn)行微博推薦時(shí)會(huì)出現(xiàn)將過多的同類內(nèi)容推薦給用戶的問題。雖然這些同類微博可能都是用戶感興趣的，，但是這樣的結(jié)果并不利于用戶獲取多樣的信息，長(zhǎng)期使用會(huì)導(dǎo)致用戶體驗(yàn)的降低。所以本文在普通推薦的基礎(chǔ)上引入列表多樣性的度量。我們希望推薦列表中微博間的相似度要盡量的低。 本文針對(duì)微博的特點(diǎn)提出了一系列的特征來度量微博相似性，使用增量Single-Pass聚類算法和聚類集成的框架將微博聚類，將該聚類結(jié)果與人工標(biāo)注的結(jié)果進(jìn)行了對(duì)比。使用了聚類評(píng)價(jià)中常用的NMI和B-cubed評(píng)價(jià)指標(biāo)。實(shí)驗(yàn)結(jié)果證明了我們的提出的特征在計(jì)算微博相似性時(shí)是比較有效的。 根據(jù)微博間的相似度，我們使用貪心的算法將推薦列表多樣化，并采用人工在線評(píng)價(jià)的方式驗(yàn)證了多樣化的推薦列表在用戶體驗(yàn)上優(yōu)于普通的推薦列表。
[Abstract]:Weibo, as a kind of social media, is changing the way people get information and communication. More and more people are willing to express their views, express their feelings and release the latest news in Weibo. However, as users pay attention to more people in Weibo, users are surrounded by a large amount of Weibo information, a large part of which is not of interest to users. This gives users a certain amount of trouble when browsing Weibo, reducing the user's experience. Weibo, who browsed by users, arranged according to the order of time by default. The purpose of this paper is to use the recommendation system to place the user's interesting Weibo forward, so as to help the user to obtain information faster and better. This paper first uses the method based on eigenmatrix decomposition to recommend Weibo. Matrix decomposition is one of the most effective methods in recommendation system. At the same time, according to Weibo's characteristics, we also consider the content and social features of Weibo in order to make a better personalized recommendation. In this paper, Weibo's recommendation is defined as the ranking problem of list, and the popular MAP value in search engine evaluation is used as the evaluation index. The experimental results show that our method is better than the default time ranking method to put the users of interest in the front of the list, and it also proves that Weibo recommendation can improve the user experience. In the use of recommendation system Weibo recommendation will appear too much of the same kind of content recommended to users. Although these similar Weibo may be of interest to users, such results are not conducive to access to a variety of information, long-term use will lead to a decline in the user experience. So this paper introduces the measurement of list diversity on the basis of general recommendation. We hope the similarity between Weibo in the recommended list should be as low as possible. In this paper, according to Weibo's characteristics, we propose a series of features to measure Weibo similarity. We use incremental Single-Pass clustering algorithm and clustering ensemble framework to cluster Weibo, and compare the clustering results with those of manual tagging. The NMI and B-cubed evaluation indexes which are commonly used in clustering evaluation are used. The experimental results show that the proposed features are effective in calculating Weibo similarity. According to the similarity between Weibo, we use greedy algorithm to diversify recommendation list, and use artificial online evaluation to verify the diversity of recommendation list in user experience is better than that of common recommendation list.
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2013
【分類號(hào)】：TP393.092;TP391.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 郭黎明;何艷娟;;電子商務(wù)中的協(xié)同過濾推薦系統(tǒng)[J];商場(chǎng)現(xiàn)代化;2009年17期

2 崔春生;吳祈宗;;基于Vague集的內(nèi)容推薦算法研究[J];計(jì)算機(jī)應(yīng)用研究;2010年06期

3 崔春生;李光;吳祈宗;;基于Vague集的電子商務(wù)推薦系統(tǒng)研究[J];計(jì)算機(jī)工程與應(yīng)用;2011年10期

4 金亞亞;牟援朝;;基于改進(jìn)信任度的協(xié)同過濾推薦算法[J];現(xiàn)代圖書情報(bào)技術(shù);2010年10期

5 王恒;;基于協(xié)同過濾的電子農(nóng)務(wù)推薦系統(tǒng)模型研究[J];寧夏大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年04期

6 游文;葉水生;;電子商務(wù)推薦系統(tǒng)中的協(xié)同過濾推薦[J];計(jì)算機(jī)技術(shù)與發(fā)展;2006年09期

7 胡煒;;協(xié)同過濾算法在推薦系統(tǒng)中的應(yīng)用[J];計(jì)算機(jī)時(shí)代;2009年11期

8 王進(jìn);;一種使用DSmTrust信任模型的推薦系統(tǒng)[J];計(jì)算機(jī)工程與應(yīng)用;2011年13期

9 張富國(guó);;基于協(xié)同過濾技術(shù)的電子商務(wù)推薦系統(tǒng)初探[J];科技廣場(chǎng);2006年08期

10 張李義;羅惠恒;;基于協(xié)同過濾的WhuRecomm推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J];武漢大學(xué)學(xué)報(bào)(工學(xué)版);2006年06期

相關(guān)會(huì)議論文 前10條

1 謝科;劉奕群;岑榮偉;馬少平;茹立云;楊磊;;基于維基百科層次分類框架的主題推薦系統(tǒng)的研究[A];中國(guó)計(jì)算語言學(xué)研究前沿進(jìn)展（2009-2011）[C];2011年

2 李嬈嬈;雷沛霖;黃蘭嵐;原思通;劉營(yíng);;芫花藥材高效液相指紋圖譜研究[A];中華中醫(yī)藥學(xué)會(huì)四大懷藥與地道藥材研究論壇暨中藥炮制分會(huì)第二屆第五次學(xué)術(shù)會(huì)與第三屆會(huì)員代表大會(huì)論文集[C];2007年

3 張虎;郭玉翠;宮尚寶;;移動(dòng)Ad-hoc網(wǎng)絡(luò)中基于第三方觀察機(jī)制的信任管理研究[A];第十六屆全國(guó)青年通信學(xué)術(shù)會(huì)議論文集（上）[C];2011年

4 王志松;;決策樹中數(shù)據(jù)遺失值填充方法的研究[A];2001年中國(guó)智能自動(dòng)化會(huì)議論文集（下冊(cè)）[C];2001年

5 湯麗華;趙吳靜;金菊良;張明;;基于熵的水質(zhì)綜合評(píng)價(jià)的相似插值模型[A];第八屆中國(guó)管理科學(xué)學(xué)術(shù)年會(huì)論文集[C];2006年

6 王娟;;一種基于粗糙集理論的操作風(fēng)險(xiǎn)判別方法[A];科學(xué)發(fā)展觀與系統(tǒng)工程——中國(guó)系統(tǒng)工程學(xué)會(huì)第十四屆學(xué)術(shù)年會(huì)論文集[C];2006年

7 劉曉林;郁濱;;基于相似度的遺傳算法模式理論研究[A];全國(guó)第19屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（下冊(cè)）[C];2008年

8 金保華;高湘飛;柳雪環(huán);張磊;;基于XML框架與CBR智能預(yù)案管理的研究[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第二分冊(cè)）[C];2009年

9 王超;許方;;一種基于奇異值分解的印刷體數(shù)字識(shí)別算法[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2008年

10 麥智毅;楊春玲;;基于結(jié)構(gòu)相似度的H.264幀內(nèi)預(yù)測(cè)快速算法[A];通信理論與信號(hào)處理新進(jìn)展——2005年通信理論與信號(hào)處理年會(huì)論文集[C];2005年

相關(guān)重要報(bào)紙文章 前10條

1 本報(bào)記者 馮衛(wèi)東;網(wǎng)絡(luò)導(dǎo)購(gòu)：找出你的最愛[N];科技日?qǐng)?bào);2007年

2 證券時(shí)報(bào)記者　 韓如冰;基金投資相似度趨高[N];證券時(shí)報(bào);2006年

3 聶磊 曹進(jìn) 羅國(guó)安;中藥指紋圖譜相似度評(píng)價(jià)方法各有千秋[N];中國(guó)醫(yī)藥報(bào);2006年

4 孟祥寧　張亞萌 郭青劍;山寨文化：是一種什么樣的文化[N];中國(guó)藝術(shù)報(bào);2009年

5 聶磊；曹進(jìn)；羅國(guó)安;中藥指紋圖譜相似度評(píng)價(jià)方法作用各一[N];中國(guó)醫(yī)藥報(bào);2005年

6 海潮;俄研究發(fā)現(xiàn)妊娠中毒癥疑與夫婦HLA基因相似度有關(guān)[N];中國(guó)醫(yī)藥報(bào);2007年

7 欒海;妊娠中毒癥可能與夫婦 HLA基因相似度有關(guān)[N];醫(yī)藥經(jīng)濟(jì)報(bào);2007年

8 沈陽藥科大學(xué)藥學(xué)院 孫國(guó)祥;中藥指紋圖譜研究新進(jìn)展[N];中國(guó)中醫(yī)藥報(bào);2007年

9 記者 李學(xué)梅;研究證實(shí)：父親“偏愛”與自己相像的孩子[N];新華每日電訊;2009年

10 林嘉澍;從搜索到發(fā)現(xiàn)[N];經(jīng)濟(jì)觀察報(bào);2007年

相關(guān)博士學(xué)位論文 前10條

1 李濤;推薦系統(tǒng)中若干關(guān)鍵問題研究[D];南京航空航天大學(xué);2009年

2 任磊;推薦系統(tǒng)關(guān)鍵技術(shù)研究[D];華東師范大學(xué);2012年

3 胡新明;基于商品屬性的電子商務(wù)推薦系統(tǒng)研究[D];華中科技大學(xué);2012年

4 鄧愛林;電子商務(wù)推薦系統(tǒng)關(guān)鍵技術(shù)研究[D];復(fù)旦大學(xué);2003年

5 劉麗敏;選擇性聚類融合算法研究[D];中南大學(xué);2013年

6 張寅;個(gè)性化技術(shù)及其在數(shù)字圖書館中應(yīng)用的研究[D];浙江大學(xué);2009年

7 張堯;B2C環(huán)境下用戶感知可信的推薦系統(tǒng)理論及其關(guān)鍵方法研究[D];哈爾濱工業(yè)大學(xué);2013年

8 郭艷紅;推薦系統(tǒng)的協(xié)同過濾算法與應(yīng)用研究[D];大連理工大學(xué);2008年

9 張富國(guó);基于信任的電子商務(wù)個(gè)性化推薦關(guān)鍵問題研究[D];江西財(cái)經(jīng)大學(xué);2009年

10 張亮;推薦系統(tǒng)中協(xié)同過濾算法若干問題的研究[D];北京郵電大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 慕福楠;面向微博用戶的推薦多樣性研究[D];哈爾濱工業(yè)大學(xué);2013年

2 寇艷艷;電子商務(wù)推薦系統(tǒng)中用戶聚類問題與用戶興趣變化問題研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2011年

3 何克勤;基于標(biāo)簽的推薦系統(tǒng)模型及算法研究[D];華東師范大學(xué);2011年

4 閆祥雨;基于語義Web技術(shù)的推薦系統(tǒng)研究[D];太原理工大學(xué);2010年

5 章晉波;推薦系統(tǒng)中協(xié)同過濾算法的研究與實(shí)現(xiàn)[D];北京郵電大學(xué);2010年

6 王昆;一種基于Bayesian CBR的推薦系統(tǒng)研究[D];河北師范大學(xué);2011年

7 王莉紅;電子商務(wù)環(huán)境下協(xié)同過濾推薦方法的應(yīng)用分析與研究[D];上海師范大學(xué);2005年

8 吳彬;基于雙重聚類推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];華東師范大學(xué);2008年

9 王平;基于用戶偏好挖掘和主題搜索的情報(bào)推薦系統(tǒng)[D];浙江大學(xué);2007年

10 林源;英文短文本相似性研究及在圖書推薦中的應(yīng)用[D];北京林業(yè)大學(xué);2010年

本文編號(hào)：1814879