论文部分内容阅读
随着移动智能和互联网的飞速发展,人们从信息匮乏的年代过度到了信息过载的时代。微博作为一种新型的社会化自媒体平台,近年来用户数量呈指数增长,每天生成大量的UGC(User Generating Content)。如何挖掘用户的个人兴趣建立用户兴趣模型,并将用户感兴趣的信息从海量信息中找出推荐给用户显得尤为重要。本文以微博用户的兴趣建模和微博个性化信息推荐为研究内容。主要包括:(1)传统的向量空间模型和TF-IDF方法没有考虑语义信息且存在用户特征高维稀疏的问题,而常用的基于文档级别词共现的潜在狄利克雷分配模型(Latent Dirichletallocation,LDA)并不适用于微博这种短文本的主题挖掘和用户兴趣建模。鉴于此,本文引入适用于短文本的主题模型BTM(Biterm Topic Model)挖掘用户的个人兴趣,结合用户兴趣的多变性,提出基于时间窗口的用户动态兴趣模型。(2)在用户兴趣模型的基础上,针对微博中用户收听列表信息过载的问题,提出综合考虑微博本身质量、用户个人兴趣和社交兴趣这三个主要特征的推荐模型,并在模型中引入协同过滤的思想。针对微博中用户主动获取的其他信息(非用户收听列表的信息),提出一种基于主题的信息推荐思想,并以美食主题为例,设计了整个应用。(3)通过Big Data平台获取实验数据,通过实验验证了BTM建立的用户兴趣模型在推荐性能上要优于LDA及TF-IDF模型且考虑用户兴趣的多变性能进一步优化推荐效果;在三个主要影响因素中,结合了协同过滤思想的用户个人兴趣特征推荐性能最优,用户社交兴趣特征次之,微博本身质量特征最差;本文提出的推荐模型从用户兴趣建模出发,针对不同的场景结合不同的特征构建推荐模型,任何UGC平台的信息推荐问题都能够在本文的研究基础上进行扩展利用。