论文部分内容阅读
随着移动终端的普及,移动互联网应用已经成为人们日常生活中不可或缺的一部分。人们可以方便的接入网络,发表自己的内容。社交网络的用户量,生产的内容和服务商也在稳步的增长。人们在社交网络中(如微博,微信,知乎)实时地产生和消费内容,并且越来越依赖基于社交关系的信息流动态来获取新鲜事。知乎网是一个用户自己提问、网友回答的在线问答社区,用户的动态消息以信息流的方式呈现在网站首页。用户的信息流会随着其社交关系的增加而变得越来越纷繁复杂。对于那些关注了很多信息源的用户,每天可以从其关注者那获取到成千上万的动态消息。个性化推荐系统被各大平台用于为用户筛选出其感兴趣的动态。知乎网的内容是由一个一个的问题构成,每个问题可以打上不同的话题标签,问题页面中有一个回答列表。用户可以自行添加答案,也可以通过点赞、评论、关注等方式来表达自己对答案的态度,平台中的内容通过用户之间的关注关系来传播。本文针对知乎网的特征,提出了一种基于随机游走的图推荐模型,该模型将“用户-话题-问题”三者有机结合起来构建用户兴趣异构图,并在图中添加了时间段节点来综合考虑用户的长时间和短时间的兴趣。此外,该算法还融入了用户的社交关系,基于三元闭包理论发现用户的潜在好友关系,最后结合用户的社交关系与动态记录为用户打造个性化推荐列表。在知乎中,有乐于分享知识和经验的答主,他们作为内容生产者产生了大量的内容,使得平台内容更加丰富多彩。还有一种用户是内容消费者,其中有部分人阅读平台上的内容后,愿意对自己认可的回答点赞分享,平台记录了他们的行为特征。而还有另一种用户,他们只是阅读,而不进行操作,除了社交关系,个人历史行为稀少。本文设计了一个基于文本内容的矩阵分解模型来为上面描述的用户进行个性化推荐。该方法将“用户-问题”之间的关系通过“用户-话题”矩阵来描述。使用矩阵分解来获得“用户-话题”特征矩阵,再通过“话题-问题”之间的关系来将大量的问题映射到少量的话题上,来解决用户行为稀疏的问题。同时,针对动态较少的用户,我们通过添加其关注者的回答内容来构建“用户-话题”词袋模型,间接丰富了用户的模型训练数据。同时,在推荐时,本文结合现实情况,设计了一种有阈值的TopN推荐方式。该方法可以灵活的调节用户的推荐列表长度,在不同的场景下给用户最合适的内容推荐。设计的模型在爬取的真实的知乎网数据中进行了验证,效果相比基线算法有较大的提升。