基于社交網(wǎng)絡(luò)的個(gè)性化微博關(guān)注推薦系統(tǒng)的研究與實(shí)現(xiàn).pdf

1、隨著大數(shù)據(jù)時(shí)代的到來(lái)，新技術(shù)層出不窮，社交網(wǎng)絡(luò)的發(fā)展如火如荼。微博是最熱門的社交平臺(tái)之一，擁有著龐大的用戶群體，每天產(chǎn)生無(wú)數(shù)熱點(diǎn)信息。在微搏中，人們可以發(fā)布原創(chuàng)消息;用戶可以在系統(tǒng)中找出自己感興趣的對(duì)象，成為其粉絲;轉(zhuǎn)發(fā)、評(píng)論、@等行為極大地豐富了用戶之間的互動(dòng)體驗(yàn)，也使得微博用戶之間的交互更加多元化。然而，信息的泛濫也讓用戶難以選擇，出現(xiàn)了信息過(guò)載的現(xiàn)象。推薦系統(tǒng)是用戶和項(xiàng)目之間的橋梁，能夠挖掘和捕捉用戶的偏好，主動(dòng)給用戶推薦相關(guān)內(nèi)容

2、，目前已經(jīng)被應(yīng)用在很多場(chǎng)景下。協(xié)同過(guò)濾算法是其中最為經(jīng)典的算法之一，然而該算法非常依賴用戶-項(xiàng)目之間的評(píng)分?jǐn)?shù)據(jù)，并且面臨著嚴(yán)峻的數(shù)據(jù)稀疏性問(wèn)題。在微博中，不存在用戶對(duì)于項(xiàng)目的評(píng)分?jǐn)?shù)據(jù)，因此不能簡(jiǎn)單地將協(xié)同過(guò)濾算法應(yīng)用在微博關(guān)注推薦中。微博的社交網(wǎng)絡(luò)特征給推薦問(wèn)題提供了更多解決方案，融入社交行為、社交信任、鄰居意見(jiàn)、隱語(yǔ)義模型等都會(huì)大大改善推薦的性能。
　　本文首先對(duì)推薦系統(tǒng)的發(fā)展以及微博關(guān)注個(gè)性化推薦進(jìn)行了研究，介紹了協(xié)同過(guò)濾算法

3、的相關(guān)技術(shù)和原理，闡述了當(dāng)前算法面臨的困難與挑戰(zhàn)。通過(guò)騰訊微博數(shù)據(jù)集分析了微博社交網(wǎng)絡(luò)的相關(guān)特征、社交圖譜、用戶關(guān)系等，重新定義了微博關(guān)注推薦的相關(guān)術(shù)語(yǔ)，對(duì)微博中的不同社交行為進(jìn)行建模，并介紹了系統(tǒng)的整體流程、技術(shù)平臺(tái)、系統(tǒng)環(huán)境等。針對(duì)Top-N推薦問(wèn)題，提出了基于社交相似度的微博關(guān)注Top-N推薦算法。根據(jù)微博關(guān)注行為、互動(dòng)行為以及歷史推薦記錄分別計(jì)算相似度，通過(guò)計(jì)算出來(lái)的相似度找出最近鄰集合，在此基礎(chǔ)上給用戶進(jìn)行推薦。在微博數(shù)據(jù)集上

4、對(duì)比了不同相似度計(jì)算方法的準(zhǔn)確率、召回率和F1-measure，并在Hadoop平臺(tái)上利用MapReduce對(duì)算法進(jìn)行了并行化設(shè)計(jì)，提高了算法的執(zhí)行效率。針對(duì)評(píng)分預(yù)測(cè)問(wèn)題，提出了融合社交信任和隱語(yǔ)義模型的微博關(guān)注推薦算法。將用戶的歷史推薦記錄建模為評(píng)分矩陣，引入社會(huì)化推薦，通過(guò)用戶之間的互動(dòng)行為數(shù)據(jù)（包括@、評(píng)論和轉(zhuǎn)發(fā)）計(jì)算用戶之間的隱式信任，從用戶的直接社交關(guān)系中得到用戶之間的顯式信任，將顯式信任和隱式信任結(jié)合來(lái)構(gòu)建擴(kuò)展信任矩陣并融入