版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、微博作為信息分享和傳播的網(wǎng)絡(luò)平臺(tái),近年來(lái)得到了廣泛的應(yīng)用。如何讓用戶在海量的微博中獲取到感興趣的微博內(nèi)容成為了微博平臺(tái)新的研究方向。目前的一些微博推薦系統(tǒng)大都針對(duì)用戶進(jìn)行推薦,而對(duì)于微博平臺(tái)來(lái)說(shuō),由于微博文本長(zhǎng)度較短,用戶興趣多樣,因此針對(duì)用戶的推薦效果并不理想。
本文提出了針對(duì)于微博的推薦系統(tǒng),用戶在瀏覽微博時(shí)可以訂閱感興趣的微博,系統(tǒng)將針對(duì)用戶訂閱的微博,結(jié)合用戶的興趣,推薦相關(guān)的微博。這樣的推薦一方面更有針對(duì)性,推薦
2、效果更好;另一方面也通過(guò)對(duì)于微博的推薦將類似的微博聚集起來(lái)形成了用戶所感興趣的話題。
本文的推薦系統(tǒng)基于用戶聚類和短文本相似性算法實(shí)現(xiàn)。首先通過(guò)收集用戶過(guò)往所發(fā)表的微博為用戶建立興趣模型,在此基礎(chǔ)之上對(duì)用戶進(jìn)行聚類。然后收集與當(dāng)前用戶所在同一簇中的用戶所發(fā)表的微博,與用戶訂閱的微博進(jìn)行相似度計(jì)算,將相似度較高的微博推薦給用戶。在聚類算法中,本文改進(jìn)了K-Means算法,解決了K-Means算法對(duì)于初始中心選取的依賴性這一問(wèn)
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于用戶聚類的微博話題推薦方法研究.pdf
- 基于用戶模型質(zhì)量和語(yǔ)義聚類的標(biāo)簽推薦算法研究.pdf
- 基于kmeans聚類的微博用戶活躍度研究
- 基于kmeans聚類的微博用戶活躍度研究
- 基于知識(shí)流和用戶選擇的微博話題推薦.pdf
- 基于用戶聚類和偏好的推薦算法研究.pdf
- 基于用戶興趣的微博推薦方法研究.pdf
- 基于微博平臺(tái)的用戶推薦算法研究.pdf
- 基于微博平臺(tái)的用戶推薦模型研究.pdf
- 基于微博用戶的新聞推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于信任和用戶行為的微博好友推薦算法研究.pdf
- 基于用戶聚類的協(xié)同過(guò)濾推薦系統(tǒng)研究.pdf
- 微博中智能化用戶推薦系統(tǒng)的研究和應(yīng)用.pdf
- 基于用戶聚類的協(xié)同推薦算法研究.pdf
- 基于用戶關(guān)系鏈的微博收聽推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于LDA的微博話題聚類研究.pdf
- 基于lda的微博話題聚類研究
- 基于用戶關(guān)系和用戶興趣的微博內(nèi)容推薦關(guān)鍵技術(shù)研究.pdf
- 基于內(nèi)容的微博推薦系統(tǒng)
- 微博用戶興趣發(fā)現(xiàn)與用戶推薦研究.pdf
評(píng)論
0/150
提交評(píng)論