基于背景和内容的微博用户兴趣挖掘

微博用户兴趣挖掘是个性化推荐、社群划分的基础工作.在深入分析微博网络特点的基础上,给出了能够揭示微博网络多模性的描述模型,对面向微博网络的后续研究具有参考价值.根据微博网络的特点,提出了基于背景的用户静态兴趣表示及挖掘方法,以及基于微博的用户动态兴趣表示和挖掘方法.针对微博网络中缺少背景信息、发表微博很少的大量不活跃用户,提出了基于关注的用户兴趣挖掘方法.以新浪微博为例,选取了时尚、企业管理、教育、军事、文化这5个领域进行用户兴趣挖掘及相似度计算的实验分析和比较,结果表明,与主流的兴趣挖掘方法相比,该微博用户兴趣的表示和挖掘方法可以有效地改善微博用户兴趣挖掘的效果.

国内用户兴趣建模研究进展

介绍了用户兴趣建模内涵及核心研究内容,并从模型表示、用户行为与兴趣数据采集、模型进化、模型评价4方面介绍了国内用户兴趣建模研究进展。

基于用户多兴趣的协同过滤策略改进研究

协同过滤机制利用用户之间的相似性来推荐信息,能够为用户发现新的感兴趣的内容,它作为一种行之有效的技术被应用到很多领域中。但传统的协同过滤算法不能反映用户的多个兴趣及兴趣更新情况。基于此不足,在用户聚类协同过滤算法的基础上进行了改进,其基本思想是在基于用户聚类的基础上研究用户多兴趣的表示。针对用户兴趣偏好及更新情况引入基于时间的数据阈值、兴趣类型和用户项目兴趣权重的概念和公式。在此基础上将它们有机结合,融入基于用户聚类的协同过滤算法的推荐过程中。实验表明,改进后的算法比传统协同过滤算法在推荐准确度上有明显提高。

基于社会化标签挖掘的微博内容推荐方法研究

【目的/意义】针对当前微博内容推荐方法存在的用户标签偏少、标签语义缺乏和用户-标签矩阵高维稀疏等导致的推荐准确性不高的问题,提出了一种基于社会化标签挖掘的微博内容个性化推荐方法。【方法/过程】首先,针对用户标签偏少的问题,借助微博内容进行用户标签扩充,形成初始的用户-标签矩阵表征用户兴趣偏好;然后,针对标签语义缺乏问题,通过标签语义映射和语义相关性挖掘,构建标签语义相似度矩阵进行用户-标签矩阵更新,使更新后的用户-标签矩阵融入标签间的语义相关性,既能解决用户-标签矩阵高维稀疏问题,又能更好地表征用户兴趣。【结果/结论】实验结果表明,该方法优于传统的基于社会化标签的推荐方法,能够有效提高微博内容推荐的精准性。【创新/局限】后续将重点研究用户间社交关系对个性化推荐的影响,探索融合用户社交关系的微博内容个性化推荐方法,实现更加精准的推荐。