论文部分内容阅读
随着web2.0的发展,社会化媒体已经成为当今信息传播、信息获取和沟通交流的主要平台。社会化媒体带来方便的同时,由于信息发布和更新速度异常快捷,造成交流平台产生巨大冗余信息。为了从海量信息中找到用户感兴趣的信息和用户,需要借助智能系统的帮助。社会化推荐系统是解决社会化媒体平台中信息过载的重要工具,它可以帮助用户从海量信息中找到感兴趣的用户和内容。社会化推荐系统的研究能够拓展社会网络中用户推荐范围和准确度,完成知识的主动推送,并帮助企业丰富营销手段和业务增长。然而,在社会化媒体上如何利用社会网络结构和文本信息构建社会化推荐系统框架是目前面临的研究难题。因此,本文以新浪微博平台为例,研究如何利用各种信息构建社会化推荐系统,其主要研究内容如下:首先,基于可变精度的微博网络数据收集和基本网络分析。在收集用于推荐系统的微博网络数据时需要确定边界,本文利用可变精度方法确定数据收集范围。我们先将此方法在公共数据集上验证,利用可变变精度方法对电影评价的数据进行处理,研究不同精度下推荐结果的变化。结果显示,只有在一定阈值内,数据量精度越高推荐效果才会越好。从而验证了基于可变精度方法能够获得数据集合最佳边界。然后,我们将可变精度方法运用到确定微博种子用户数上。根据对电影评价的同样的推荐方法,研究不同精度的种子收集到的网络数据的推荐结果。从而确定最优种子数,为最终推荐系统确定最佳数据量。在此基础上收集了某一主题的微博网络,并对其做了基本网络分析和无标度特性分析。其次,基于指数随机图模型的微博网络节点连接预测研究。本文提出利用指数随机图模型来对某一主题微博网络进行建模的方法,并通过蒙特卡罗极大似然估计(MonteCarloMLE)计算不同结构的参数。并通过仿真和拟合度分析,比较构建的指数随机图模型对原有网络之间的代表能力。在对糖尿病微博网络进行建模实证研究中,揭示了不同时期的模型中不同结构的演化过程。在此基础上,由于未连接节点建立连接引起网络构造变化,我们通过计算某一对节点连接前后的构造变化预测这一节点对建立连接的概率,经过排序后为社会化推荐系统提供最初的推荐列表。再次,利用情感分析方法研究社会化网络文本特征。情感分析(Opinionmining)是对文本内容进行态度分类,从用户发布的文本信息和其他信息寻找用户对某一主题的态度。在微博信息中,包含了用户发布文本内容和微博表情。为此,我们以糖尿病主题微博为例选择126个文本和微博特征,并融合信息增益和支持向量机的方法进行特征提取。并对这些特征进行分类,分析不同类别的特征的对情感分类的贡献度。随后,基于Karhunen-Loéve变换方法计算积极和消极文本平均距离,提出了情感相似度的概念来衡量用户间对同一话题的态度相关性。最后,构建基于修正情感相似度的社会化推荐系统框架。本文分析了影响社会化推荐的心理和行为因素,认为信任度、同质性和意见领袖导致用户是否采用推荐的决策行为的三个因素。为此,本文将三种社会化影响因素量化,并与微博社会网络一一映射。将指数随机图模型给出的节点连接预测与修正情感相似结合,能够提供符合用户情感偏好的推荐列表,从而进一步构建了社会化推荐系统框架。为了验证本方法的推荐性能,我们通过糖尿病和婴幼儿主题微博推荐的实证分析,并与其它方法进行比较,评价结果验证了我们方法在社会化推荐上的优越性和普适性。