基于社交媒體的推薦技術(shù)若干問題研究.pdf

1、隨著Web2.0以及社會化媒體的發(fā)展，尤其是近5年來Facebook、Blogger和Twitter等網(wǎng)絡(luò)應(yīng)用的盛行，不僅創(chuàng)造了“全民記者時代”，更是帶來了社交媒體領(lǐng)域的信息泛濫。面對這些近乎災(zāi)難的數(shù)據(jù)，一個很自然的問題是:用戶如何才能找到有用的信息呢？個性化推薦技術(shù)作為一種解決“信息過載”的有效手段，毫無疑問成為了首選。但是社會化媒體中用戶人數(shù)、信息數(shù)據(jù)的爆炸增長以及用戶結(jié)構(gòu)的不斷復(fù)雜化，使得推薦系統(tǒng)不得不面臨一些新的挑戰(zhàn)，尤其是數(shù)據(jù)

2、的極度稀疏、實時推薦和可信任推薦三個問題在社交媒體推薦中更為突出。
　　 圍繞著如何克服數(shù)據(jù)稀疏問題、加快推薦的速度、提高推薦的可信度和保證推薦的準(zhǔn)確度，本文對社交媒體環(huán)境下推薦系統(tǒng)中涉及的若干問題進(jìn)行了有益的探索和研究。主要的研究工作和創(chuàng)新點如下:
　　 (1)在對用戶行為數(shù)據(jù)進(jìn)行統(tǒng)計學(xué)分析的基礎(chǔ)上，提出了基于用戶行為的協(xié)同過濾推薦方法。該方法通過分析用戶行為的數(shù)據(jù)，發(fā)現(xiàn)用戶行為的一些全局結(jié)構(gòu)和隱含特征，并將這些信息與

3、用戶行為數(shù)據(jù)一起作為協(xié)同過濾推薦方法的依據(jù)。實驗表明，該方法在一定程度上提高了推薦的準(zhǔn)確度。
　　 (2)針對用戶行為數(shù)據(jù)的稀疏性問題提出了基于語義的矩陣分解預(yù)測方法。該方法通過提取用戶行為中的一些語義信息，如隱含特征信息、上下文時間信息、位置信息等，并采用矩陣分解的方法來補全用戶行為矩陣中的缺失數(shù)據(jù)。最后，根據(jù)已補全的用戶行為矩陣信息為用戶進(jìn)行推薦預(yù)測。
　　 (3)針對實時推薦問題提出了基于Co-clustering

4、的聚類推薦方法。該方法首先采用Co-clustering聚類方法來對用戶和行為進(jìn)行離線聚類;然后基于離線聚類的結(jié)果，結(jié)合用戶的最近行為實現(xiàn)在線的實時推薦;最后，通過增量更新模型不間斷地更新用戶行為數(shù)據(jù)來保證離線聚類結(jié)果的準(zhǔn)確性。該方法，一方面通過聚類法減少最近鄰用戶的搜索空間來降低計算復(fù)雜度;另一方面通過將離線聚類和在線實時推薦分開來減少在線推薦的計算時間。
　　 (4)提出了利用社會媒體中的社會關(guān)系來提高推薦可信度的方法。該方