基于联合概率矩阵分解的微博关注推荐算法

在传统的概率矩阵分解算法基础上,考虑交互行为的时效性建立用户影响力模型,并结合静态关注关系,提出了基于联合概率矩阵分解的微博关注推荐算法(UPMFF-L).在使用scrapy爬取新浪微博得到的数据集上的实验结果表明,与NMF、PMF和SoRec算法相比,UPMFF-L算法在不同数据密度下的F1-Measure平均提升了 11.82%.

基于隐性评分的微博关注推荐方法研究

当前微博已成为网民互相传播和获取信息的一个主要平台。随着微博用户数据的急剧增长,海量的数据使用户无法获取其感兴趣的信息,如何向用户进行更精准、高效的个性化推荐,是微博取得效果的关键。协同过滤推荐算法是目前被广泛采用的算法,它的基础是用户对项目的评分数据,而微博用户对其关注对象进行直接评分,从微博用户行为如"@提醒"、"转发"、"评论"等推进,可以更好地发挥微博精准推荐的功能。

基于微博关注推荐服务的用户兴趣模型研究

针对目前基于单一维度构建微博用户兴趣模型导致微博用户关注推荐有效性不高的现状,本文从微博用户属性、关键词及微博用户行为等三个维度构建了微博用户兴趣模型,提出了基于向量空间模型余弦值算法的微博用户兴趣相似度计算方法。最后,通过新浪微博数据进行模拟实验,验证了模型的有效性。