引入用户权威性的分类协同过滤推荐算法的研究

最近近邻算法在挑选目标用户的"邻居"存在高稀疏性,在算法中引入用户的权威性,可以通过"用户评价过的资源数量"、"用户身份背景"和"资源的角度"三个方面计算用户的权威值和相似性,使数据稀疏具有最小的平均绝对偏差。

面向领域微博权威性人物分析技术与研究

为了精准地获取微博领域权威性用户排序列表,在现有研究成果的基础上以新浪微博为研究对象,手动构建领域词典,面向微博领域提出了领域微博权威性用户度量模型(domains-microblog authoritative user ranking model,DMAURank)。该模型使用基于PageRank与用户行为权值相结合的评价方法。将实验结果与用户平均转发数排名和粉丝数排名进行对比,发现基于PageRank与用户行为权值相结合的用户被关注度有效降低了粉丝数目的过大影响。

一种基于分类的协同过滤算法

协同过滤技术是当前研究的热点。本文简单地介绍了基于最近近邻法协同过滤算法,针对其不足,提出了一种基于分类的协同过滤算法,并在算法中引入用户权威性来衡量用户评价资源客观性和准确性,使用户推荐更符合“邻居”的需求,进而增强协同过滤推荐资源的准确性。

时间敏感的社交网络热点话题检测

为降低算法复杂性以及改善其普适性,提出了一种时间敏感的新型话题检测技术。该技术抽取微博内容,根据一个新型老化理论建立了词语生命周期模型,来挖掘最新出现的术语。若一个词组在特定的时间段出现频率高、而在过去一段时间内未出现,可表示为突发事件出现。此外,考虑内容重要性也取决于其来源,使用通用的Page Rank算法分析社交网络关系,以确定用户的权威性。结合用户权威性以及突发词组实现在用户假定时间限制下的热点话题检测。在新浪微博数据集上的多个实验结果表明,该算法能够高效识别出特定时间段内的热点话题。

融合语境分析的时序推特摘要方法

任务中的一个重要分支,旨在从热点事件相关的海量推特流中总结出随时间演化的简要推特集,以帮助用户快速获取信息.推特作为当今最流行的社交媒体平台,其信息量爆发式的增长以及文本碎片的非结构性,使得单纯依赖文本内容的传统摘要方法不再适用.与此同时,社交媒体的新特性也为推特摘要带来了新的机遇.将推特流视作信号,剖析了其中的复杂噪声,提出融合推特流随时序变化的宏微观信号以及用户社交上下文语境信息的时序推特摘要新方法.首先,通过小波分析对推特流全局时序信息建模,实现某一关键词相关的热点子事件时间点检测;接着,融入推特流局部时序信息和用户社交信息建立推特的随机步图模型摘要框架,为每个热点子事件生成推特摘要.在算法评估过程中,对真实推特数据集进行了专家时间点和专家摘要的人工标注,实验结果表明了小波分析和融合了时序-社交上下文语境的图模型在时序推特摘要中的有效性.

一种优化的K最近邻协同过滤算法

协同过滤技术被成功地应用于个性化推荐系统中。限制协同过滤算法使用的主要问题是稀疏性和可扩展性。本文提出了一种优化的KNN协同过滤算法,通过引入传递关联,近邻预选择以及用户权威性来解决这两个问题。为了评估算法的有效性,我们用从Movielens上采集的数据进行了实验。实验结果表明改进后的算法不仅提高了推荐精度,同时缩短了产生推荐的时间。