基于超图随机游走标签扩充的微博推荐方法

向微博用户推荐对其有价值和感兴趣的内容,是改善用户体验的重要途径.通过分析微博特点以及现有微博推荐算法的缺陷,利用标签信息表征用户兴趣,提出一种结合标签扩充与标签概率相关性的微博推荐方法.首先,考虑到大部分微博用户未给自己添加任何标签或添加标签过少,视用户发布微博为超边,微博中的词视为超点来构建超图,并以一定的加权策略对超边和超点进行加权,通过在超图上随机游走,得到一定数量的关键词,对微博用户标签进行扩充;然后,采用相关性标签权重加权方案构建用户-标签矩阵,利用标签之间的概率相关性,构造标签相似性矩阵,对用户-标签矩阵进行更新,使该矩阵既包含用户兴趣信息,又包含标签与标签之间的关系.以新浪微博公开API抓取的微博信息作为实验数据进行了一系列的实验和分析,结果表明,该推荐算法具有较好的效果.     

一种面向微博用户的标签推荐方法

首先对国内微博平台的信息进行了综合分析,主要介绍了微博信息的定义,在错综复杂的微博信息中哪些信息比较重要,以及这些微博信息包含哪些详细的内容,是如何组织的。然后选取新浪微博平台作为研究对象,利用新浪微博API设计了爬虫程序,抽取用户信息;以用户的关注人数、粉丝数和发布的微博数为标准对用户信息进行了定量分析。最后根据分析结果,针对不同特征的用户群体提出了相应的标签推荐方法。     

一种面向微博用户的标签推荐方法

首先对国内微博平台的信息进行了综合分析,主要介绍了微博信息的定义,在错综复杂的微博信息中哪些信息比较重要,以及这些微博信息包含哪些详细的内容,是如何组织的。然后选取新浪微博平台作为研究对象,利用新浪微博API设计了爬虫程序,抽取用户信息;以用户的关注人数、粉丝数和发布的微博数为标准对用户信息进行了定量分析。最后根据分析结果,针对不同特征的用户群体提出了相应的标签推荐方法。     

基于用户标签的微博推荐算法

为了解决推荐算法中用户标签稀疏、推荐准确度不高的问题,提出了一种基于用户标签的微博推荐算法。利用TextRank排序方法提取用户发布微博中的关键词,并对该关键词进行扩展,将其作为表示用户兴趣的标签;再根据微博的效应函数和生命周期形成待推荐的微博列表,计算用户标签及其同义词在待推荐微博列表 中出现的次数,将出现次数较多的TOP-k条微博推荐给用户。通过实验验证,该算法能够有效地解决用户标签的稀疏性问题,并能提高推荐算法的准确性。     

基于标签权重的协同过滤推荐算法

针对传统协同过滤推荐算法中由于相似度计算导致推荐精度不足的问题,提出一种基于标签权重相似度量方法的协同过滤推荐算法。首先,通过改进当前算法中标签权重的计算,并构成用户-标签权重矩阵和物品-标签权重矩阵;其次,考虑到推荐系统是以用户为中心进行推荐,继而通过构建用户-物品关联矩阵来获取用户对物品最准确的评价和需求;最后,根据用户-物品的二部图,利用物质扩散算法计算基于标签权重的用户间相似度,并为目标用户生成推荐列表。实验结果表明,与一种基于"用户-项目-用户兴趣标签图"的协同好友推荐算法（UITGCF）相比,在稀疏度环境为0.1时该算法的召回率、准确率和F1值分别提高了14.69%、9.44%、17.23%。当推荐项目数量为10时,三个指标分别提高了17.99%、8.98%、16.27%。结果表明基于标签权重的协同过滤推荐算法可有效提高推荐结果。     

一种基于动机倾向的标签推荐方法

为了能够推荐符合用户信息需求的标签,在深入分析社会标签空间和传统标签推荐方法的基础上,提出了度量用户和资源的动机倾向性的五种指标,并对其测度有效性进行了验证。基于此指标体系,建立了动机倾向性判别模型,并设计了推荐算法。实验结果表明,基于动机倾向的推荐算法比当前主流推荐算法具有更加准确的推荐结果。     

基于标签和PageRank的重要微博用户推荐算法

海量的微博信息使新进用户很难获取到其感兴趣的内容,重要微博用户推荐为新用户提供了一条有效获取信息的途径。目前,由于 用户间的关系没有被充分考虑及缺乏对用户个性化标签的处理,导致重要微博用户推荐的准确率不高。为此,提出了一种基于标签和PageRank的重要微博用户推荐算法。该算法首先对个性化标签进行分词、去噪、设置权重等处理,并将其作为用户兴趣的代表;然后根据PageRank计算模型来分析用户间的关系,结合标签相似度计算向新用户推荐与其兴趣相似的重要微博用户。 实验表明,该算法由于融入了对微博用户关系和用户个性化标签的重要性分析,因此与基于标签和协同过滤的个性化推荐算法相比 具有更高的重要微博用户推荐准确率。     

基于User Profile的微博用户推荐

传统微博用户推荐算法采用的数据来源单一,模型简单,导致推荐准确率不高。针对这一问题,本文提出一种基于标签的User Profile推荐算法,根据微博数据的特点,深入研究“微博文本”、“标签”、“社交关系”和“用户自身基本信息”等因素对微博个性化推荐的影响,通过训练LDA主题模型和SVM分类器将它们转换为标签,并赋予权重来描述用户兴趣,进行用户推荐以提高推荐准确性。实验结果表明,与传统VSM模型方法相比,该算法进行用户推荐效果更佳。     

一种融合科研人员标签的学术论文推荐方法

近年来,科研社交网络的兴起在一定程度上转变了科研人员原有的科研交流合作模式,深受科研人员的欢迎;然而,科研社交网络上激增的研究成果数量使得科研人员很难找到自己真正感兴趣的学术论文。因此,为科研人员推荐其感兴趣的学术论文,成为一项重要任务。考虑到科研社交网络中科研人员阅读论文数据的特殊性,文中从单类协同过滤角度考虑科研社交网络中的论文推荐问题。一方面,利用科研人员的标签信息进行更精确的负例抽取,并在此基础上考虑科研人员的活跃度以确定负例数量;另一方面,基于添加完负例的科研人员-学术论文评分矩阵进行概率矩阵分解,在概率矩阵分解阶段融合科研人员标签关联矩阵以及论文相似度信息来进行约束,以缓解数据稀疏对最终结果的不利影响。最后,在科研社交网络“科研之友”上进行实验,采用准确率、召回率、平均准确率、平均倒数排名这4项评价指标对推荐结果的准确性及推荐排序进行验证。实验结果表明,所提方法相较于主流方法取得了更好的结果,在准确率指标上提升了4.19%,验证了所提方法将论文推荐考虑为单类协同过滤问题的有效性,以及社会化信息对推荐的有效辅助作用;并且,所提方法在推荐系统中具有良好的可扩展性,能够在科研社交网络中为科研人员进行有效的论文推荐。     

基于用户扩展兴趣的微博推荐方法

为解决微博用户兴趣提取不准确的问题,提出一种基于用户扩展兴趣的微博推荐方法。该方法将用户个体兴趣与关联兴趣结合为用户扩展兴趣进行微博推荐。其中,用户个体兴趣从用户标签、发布微博及交互微博中提取;用户关联兴趣通过用户与其关注用户间的关注关系强度、交互频繁程度和个体兴趣相似度获取。最后,计算用户扩展兴趣与待推荐微博的相似度,对相似度降序排列产生推荐列表。实验结果表明,新方法较传统方法更具有效性和准确性。     

事件社交网中基于有向标签图及用户反馈的活动推荐方法

由于基于事件的社交网络（EBSN）中的活动具有时效性,传统社交网络推荐算法无法适用于EBSN。此外,大多数算法忽略了能影响后续推荐质量的前用户是否接受活动的反馈意见。为此,提出一种EBSN中基于有向标签图及用户反馈的活动推荐方法。首先,将EBSN抽象为有向标签图,并抽取图节点及边的属性特征信息,构建有向图结构特征（DGSF）索引,该索引由节点属性特征索引、有向边属性特征索引以及时间特征索引构成,利用该索引对节点及边进行初次过滤。其次,提出基于DGSF索引的多属性候选集过滤策略,利用时间、节点的出入度、标签类型等特征的限制,实现对查询图候选集的进一步剪枝,避免冗余计算。然后,提出一种具有用户反馈的改进UCB（Upper Confidence Bound）活动推荐算法——EN_UCB,通过引入弹性网回归,根据多影响因素计算用户对活动的兴趣值,为用户推荐兴趣值高的活动,同时接收用户是否接受该活动的反馈,以优化后续用户的推荐。大量实验结果表明,EN_UCB算法的接受率高于TS（Thompson Sampling）、UCB以及eGreedy算法,遗憾率远远低于TS和eGreedy算法,且运行效率高于TS、UCB以及eGreedy算法,活动数越大,优势越明显。所提算法能有效实现EBSN上的在线活动推荐。     

A new probability transformation method based on a correlation coefficient of belief functions

The Dempster-Shafer evidence theory is widely used in many fields of information fusion because of its advantage in handling uncertain information. One of the key issues in this theory is how to make decision based on a basic probability assignment (BPA). Currently, a feasible scheme is transforming a BPA to a distribution of probabilities. However, little attention was paid to the correlation between BPA and probability distribution. In this paper, a novel method about the probability transformation based on a correlation coefficient of belief functions is proposed. The correlation coefficient is a new measurement, which can effectively measure the correlation between BPAs. The proposed method aims at maximizing the correlation coefficient between the given BPA and the transformed probability distribution. On the basis of this idea, the corresponding probability distribution can be obtained and could reflect the original information of the given BPA to the maximum extent. It is valid to consider that the proposed probability transformation method is reasonable and effective. Numerical examples are given to show the effectiveness of the proposed method.     

基于SSD和时序模型的微博好友推荐算法

社交网络用户的指数型增长,导致用户在网络中难以找到适合自己的好友.提出一种基于多目标检测算法SSD和时序模型的微博好友推荐算法BSBT-FR,首先利用SSD对搜集到的用户图像进行信息提取,再利用时序模型在时间维度上对提取到的信息做进一步处理,然后利用JS散度公式计算用户间的相似度,最后与基于用户个人信息得出的相似度进行...     

面向跨语言文本分类与标签推荐的带标签双语主题模型的研究

针对日渐丰富的跨语言的文字信息资源与新闻报道及科技文献中的多标签数据,为了挖掘跨语言间的相关性及数据属性间的关联性,提出了带标签双语主题模型,应用于跨语言文本分类与标签的推荐。首先,假设科技文献中的关键词与摘要部分有着内容上的相关性,对关键词进行提取,并进行标签化,进而把标签对应于主题模型中的主题,实例化“潜在”的主题;其次,利用带标签双语主题模型对摘要部分进行了训练迭代;最后,对新加入的文档进行跨语言文本分类及标签的推荐。实验结果表明,跨语言文本分类任务中micro-F1达到94.81%,推荐的标签也较好地体现出语义上的相关性。     

基于传播树的微博推荐模型

针对目前微博推荐模型未考虑传播特征的问题,提出一种基于传播树的微博推荐模型。首先利用树结构对微博传播特征进行表示,由内容、时间和用户三方面特征构成树的节点,以微博的转发和评论关系作为树的边;然后基于节点间关联关系和层次关系分别计算待评估微博传播树与目标用户每棵微博传播树的传播路径相似度和传播层相似度,以此量化两棵传播树间的结构相似度;最后根据相似度大小对所有待评估微博进行排序,生成推荐列表,实现微博推荐。实验结果表明,与未考虑传播特征的微博推荐模型相比,该模型在准确率、召回率和F1值上分别提升13.0%、9.6%和10.7%,合理利用微博传播特征可以提升推荐结果的可靠性,增强用户体验感。     

基于知网的个人微博语义相关度的聚类研究

聚类相关度大的个人微博有助于快速了解博主的专业兴趣和经历,目前的短文本聚类方法缺乏对于语义和句子相关度的充分考虑,提出了一种基于知网的个人微博语义相关度的聚类方法。其要点如下:(1)利用Skip-gram训练大量微博文本生成词汇向量;(2)根据词汇义原进行句内词汇消除歧义;(3)分别计算个人微博之间词汇和句子的相似度并将其综合得到博文相关度;(4)根据博文相关度进行个人微博的聚类。实验表明,相较于层次聚类法、密度聚类法,本文算法的准确度有明显提高。     

基于综合信任的社会化混合推荐算法

推荐系统是处理信息过载问题的重要手段,现有的基于信任网络推荐算法没有充分挖掘用户信任关系信息,影响推荐效果。提出了综合评估信任（CETrust）的模型,该模型综合考虑了用户间的直接信任和间接信任等因素。结合推荐项目的特征属性信息,集成到概率矩阵的因式分解模型中推荐。实验表明,新提出的推荐算法（H-CETrust）推荐精度高于现有推荐算法的推荐精度。     

基于标签的微博关键词抽取排序方法

针对微博关键词抽取准确率不高的问题,提出一种基于标签优先的抽取排序方法。该方法利用微博本身具有的社交特征——标签,从微博内容集中抽取关键词。该方法首先根据微博自身建立初始词与微博之间的加权图,再将基于标签的随机游走方法应用于图中,随机游走反复跳跃到标签词节点上,经过一系列迭代得出每个词的平稳概率,并通过概率决定词的最终排序。该抽取方法根据真实的新浪微博内容进行测验,结果显示,与通过词与词的加权图来抽取关键词相比,基于标签的微博关键词抽取方法准确率提高了50%,在实际应用中能够有效提高关键词抽取的正确率。