社交網(wǎng)絡(luò)中基于用戶特征的專家推薦研究.pdf

1、網(wǎng)絡(luò)社交平臺經(jīng)過數(shù)年蓬勃發(fā)展帶動了大量用戶參與，網(wǎng)民通過該平臺與各個層面的人聯(lián)系在一起，在這一過程中由微博發(fā)布、轉(zhuǎn)發(fā)以及評論產(chǎn)生互動而形成了新的巨大信息流。這給信息獲取帶來便利的同時也不可避免地把信息過載這一難題推向前臺，所以通過信息過濾這個手段進行個性化推薦具有重大價值。
　　在擁有海量數(shù)據(jù)和用戶的社交網(wǎng)絡(luò)里進行信息過濾難度巨大，其中一個重要因素就在于社交網(wǎng)絡(luò)信息發(fā)布門檻低，容易造成信息質(zhì)量魚龍混雜的現(xiàn)象。與此同時現(xiàn)有技術(shù)在分辨

2、各個領(lǐng)域信息的質(zhì)量高低、真假等屬性的性能上還有改進的空間，因此可以在改進算法的同時借助特定領(lǐng)域的專家，依靠其專業(yè)知識和技能，幫助用戶進行信息的篩選。為了達成這一目標本研究主要從用戶的特征入手，依據(jù)其興趣推薦個性化的專家。
　　社交網(wǎng)絡(luò)用戶往往都有一些用于描述自己特征的標簽，通過該標簽可以快速且準確地識別用戶興趣。然而在社交網(wǎng)絡(luò)里由于使用門檻、隱私保護等因素的限制，用戶的個人標簽往往不夠普及，因此該特征信息稀疏，從而造成推薦困難。為

3、解決這一問題，根據(jù)同質(zhì)性，即相似的用戶會喜歡相似的內(nèi)容，借用用戶親密好友的特征進行標簽預(yù)測。本文首先使用基于SimRank的改進算法ASCOS對用戶社交關(guān)系相似度進行計算，然后進行兩兩比較找出用戶的親密好友，再根據(jù)其好友標簽進行預(yù)測。隨后在專家識別方面提出了依據(jù)PageRank為原型的FRank算法，改進了原始算法在小社交圈內(nèi)計算不準的缺陷。實證表明，使用ASCOS在用戶標簽預(yù)測中的準確率和召回率上得到提升。在專家預(yù)測上使用nDGC作為

4、性能評價標準，并發(fā)現(xiàn)與基線方法PageRank相比FRank的性能也有所提升。最終依據(jù)上述兩個方面的成果，即標簽預(yù)測和專家識別，實現(xiàn)了向用戶推薦個性化的專家。
　　本文共分6章:
　　第1章，介紹當前社交網(wǎng)絡(luò)個性化推薦的研究現(xiàn)狀和成果，描述文章結(jié)構(gòu)。
　　第2章，說明本文研究所需的理論技術(shù)，包括數(shù)據(jù)采集的方法、用戶標簽、用戶特征模型及常見推薦系統(tǒng)。
　　第3章，根據(jù)新浪微博用戶的宏觀特點選擇用戶標簽作為推薦模型的