基于在線學(xué)習(xí)的微博過濾技術(shù)研究.pdf

1、隨著Internet的普及和信息技術(shù)的發(fā)展,微博用戶人數(shù)迅速增長,微博數(shù)據(jù)呈爆炸式的增長。當(dāng)用戶登陸進微博之后所面對的就是大量的更新微博,使用戶完全被眼前多種多樣的微博信息所掩蓋,很難在短時間獲得自己感興趣的微博。微博過濾技術(shù)已經(jīng)成為微博服務(wù)不可或缺的重要組成部分。微博過濾技術(shù)主要解決兩個問題:一方面向用戶提供個人感興趣的微博及相關(guān)信息,另一方面過濾掉垃圾微博信息(如反動信息、色情、暴力和廣告等)。
　　隨著時間的變化,由于用戶的

2、興趣也在發(fā)生變化,傳統(tǒng)的批處理學(xué)習(xí)方式不適應(yīng)用戶興趣模型更新的需要,而基于在線學(xué)習(xí)進行更新的機器學(xué)習(xí)方式在一定程度上解決了這些問題。本文研究內(nèi)容主要有如下幾個部分:
　　首先,研究微博過濾系統(tǒng)的整體框架,微博過濾系統(tǒng)包括微博特征提取、微博特征選擇、微博特征權(quán)重計算以及用機器學(xué)習(xí)的方法進行微博過濾。詳細介紹了邏輯回歸算法、支持向量機算法、K近鄰算法和樸素貝葉斯算法等機器學(xué)習(xí)模型,并分析這幾種機器學(xué)習(xí)模型的優(yōu)缺點。
　　其次,研

3、究基于在線學(xué)習(xí)的微博過濾技術(shù)框架和微博過濾器。重點研究在線邏輯回歸模型的微博過濾和在線支持向量機的微博過濾,通過微博過濾器的時間復(fù)雜度和性能兩方面來分析這兩種在線學(xué)習(xí)的微博過濾的優(yōu)缺點,實驗也驗證了這兩種微博過濾方法的優(yōu)缺點。
　　再次,研究改進的在線支持向量機模型的微博過濾方法。在線支持向量機過濾器性能優(yōu)于在線邏輯回歸模型,但是存在運行時間長的缺點,本文通過減少訓(xùn)練集合的大小、減少訓(xùn)練的次數(shù)和減少迭代的次數(shù)三種方法提升在線支持向