微博媒體的信息推薦方法研究.pdf

1、隨著互聯(lián)網(wǎng)和信息技術(shù)的不斷發(fā)展，特別是近年來各種社交媒體的涌現(xiàn)，人們可以更加方便地通過多種社交媒體來獲取好友及其他人發(fā)布的各種信息。這些技術(shù)基本滿足了用戶對(duì)各種信息的實(shí)時(shí)獲取需求，但同時(shí)也帶來了令人困擾的信息過載問題。因而，作為該問題的最有效解決方案—推薦系統(tǒng)近年來受到越來越多的研究者和工程師的關(guān)注。目前，研究者提出了多種推薦方法來解決商品、圖書等領(lǐng)域的推薦問題并取得很好的成果。但是，不同于這些領(lǐng)域的推薦問題，由于信息推薦缺少顯式的用戶

2、反饋信息，因而我們無法直接利用那些傳統(tǒng)的推薦方法來解決該問題。
　　為了在缺乏顯式反饋信息的情況下解決用戶所面臨的信息過載問題，本文嘗試?yán)梦⒉┯脩艏捌潢P(guān)注好友的歷史數(shù)據(jù)來獲取用戶的興趣相關(guān)信息，然后分別通過個(gè)性化新聞推薦和信息流排序的方式來解決信息過載問題。本文研究工作主要包含以下幾個(gè)方面：
　　首先構(gòu)建微博爬蟲來獲取本文的實(shí)驗(yàn)數(shù)據(jù)，然后針對(duì)推薦領(lǐng)域面臨的數(shù)據(jù)稀疏問題，結(jié)合微博用戶的特點(diǎn)設(shè)計(jì)了兩種數(shù)據(jù)擴(kuò)展方法來擴(kuò)展用戶的數(shù)

3、據(jù)，并且通過實(shí)驗(yàn)的方式證明了這兩種方法能夠有效緩解數(shù)據(jù)稀疏問題。
　　針對(duì)新聞推薦問題，首先使用傳統(tǒng)的基于內(nèi)容的推薦方法來進(jìn)行嘗試，為了解決該方法推薦結(jié)果不理想的問題，本文分別基于邏輯回歸和支持向量機(jī)模型設(shè)計(jì)了兩種新聞推薦方法，并對(duì)其中存在的問題進(jìn)行了分析。
　　在分析了邏輯回歸和支持向量機(jī)的局限性后，選擇采用排序?qū)W習(xí)的方法對(duì)新聞進(jìn)行推薦，分別提出了基于貝葉斯優(yōu)化準(zhǔn)則的推薦方法和基于RankSVM的推薦方法。另外，對(duì)于用戶興