微博用户的相似性度量及其应用

微博用户的兴趣分析和模型表示是用户关系分析的基础,而用户关系分析又构成了微博社会网络的生成和分析的基础.该文主要讨论微博的用户关系分析技术.作者将微博社会网络视为一个加权无向图,节点表示用户,边表示用户之间的关系,边的权值表示用户之间的关系强度.该文将用户关系强度定义为用户之间的相似度,分别给出了基于各种用户属性信息(背景信息、微博文本、社交信息)的用户相似度计算方法,并通过实验系统性对比了上述方法的优劣.实验结果显示:基于社交信息的用户相似度在用户关系分析方面取得了最好的效果.为了进一步验证上述用户相似度的实际性能,该文将它们应用于用户推荐的相关实验,基于社交信息的用户相似度又取得了最好的推荐效果.最后,该文应用基于社交信息的用户相似度生成了微博的社会网络(称作用户相似性网络),在该社会网络上进行了团体挖掘的实验,实验结果显示了该相似度在团体挖掘上的有效性.

一种优化的相似度协同过滤推荐算法

传统的协同过滤推荐算法存在推荐准确性不高的问题。在计算相似度时,当得分向量的结果差异性不大时,可能会产生相似的结果向量,从而降低相似度结果的准确性。针对这一问题,提出一种优化的用户相似度协同过滤推荐算法,在传统的余弦相似度计算中加入一个平衡因子,并通过实验验证加入的平衡因子阈值算法的有效性。实验结果表明,优化的用户相似度协同过滤推荐算法能够显著提升用户相似度计算的准确性,从而得到较好的推荐结果。

基于用户相似度的协同过滤推荐算法

协同过滤推荐算法通过研究用户的喜好,实现从海量数据资源中为用户推荐其感兴趣的内容,在电子商务中得到了广泛的应用。然而,当此类算法应用到社交网络时,传统的评价指标与相似度计算的重点发生了变化,从而出现推荐算法效率偏低,推荐准确度下降问题,导致社交网络中用户交友推荐满意度偏低。针对这一问题,引入用户相似度概念,定义社交网络中属性相似度,相似度构成与计算方法,提出一种改进的协同过滤推荐算法,并给出推荐质量与用户满意度评价方法。实验结果表明:改进算法能有效改善社交网络中的推荐准确性并提高推荐效率,全面提高用户满意度。

基于微博的用户相似度计算研究

针对传统的相似度计算方法和评价标准在准确、高效地度量微博用户相似关系时不理想的缺陷,提出一种新的微博用户相似度的计算方法。该方法针对不同的属性数据结构采用不同的计算方式,并根据属性统计信息对各个属性赋值,利用层次分析法确定各属性权值,最后构建综合相似度计算模型。实验结果表明,相对于传统的相似度计算方法,所提计算方法衡量用户相似的准确度提高了22.6%,召回率提高了12.7%,F1度量值提高了29.5%。

基于社交团体和用户相似度的信息推荐方法

社交网站与电子商务网站逐步实现信息共享,电子商务网站利用社交网站信息可以增强信息推荐的准确性与可信性。文章提出一种利用社交网站的用户社交网络及博文信息实现基于社交团体和用户相似度的信息推荐方法,该方法利用CNM算法发现用户所处的社会团体,通过基于语义信息的文本相似计算方法计算微博文本相似度,最后,在社团发现和文本相似度计算的基础上计算用户对项目的预测评分,实现信息推荐,并通过线下模拟实现测试该方法的有效性。

融合用户相似度与项目相似度的加权Slope One算法

个性化推荐技术为人们处理信息过载问题提供了一种有效的解决方式.协同过滤是推荐技术常用的算法之一,本文研究的Slope One算法就是一种基于项目的协同过滤推荐算法,但是,它并未考虑到用户相似度及项目相似度的问题.因此,本文提出5种新的融合用户相似度与项目相似度的加权Slope One算法,即分别使用信任因子和Jaccard方法找出具有影响力的用户,使用Pearson方法找出当前项目的相似项目.最后,在Epinions和Movielens数据集上的对比实验结果表明,融合Jaccard和Pearson的混合算法在数据集稀疏以及邻居数目较少的情况下,仍能获得较高的推荐准确度.

融合用户信任度与相似度的推荐算法研究

提出一种新的基于概率矩阵分解的推荐算法.首先,对用户之间的信任关系网络进行重构,突出社交网络中被很多用户信任的用户地位.其次,引入用户之间的相似度,区分目标用户与其信任用户之间的兴趣偏好.最后,运用信任关系与相似度获取用户之间的加权关系,从而得到融合用户信任度与相似度的推荐算法.实验采用Ciao数据集,其结果表明所提出的算法在平均绝对误差和均方根误差这两个推荐准确性指标上都有较大的提高.

基于序列移动距离的用户行为挖掘与相似度计算

为了对用户的行为进行相似性度量,从用户行为流程产生的行为序列出发计算用户行为的相似度。将推土机距离算法应用到用户行为相似度的计算领域,提出用户行为相似度计算的序列移动距离方法。首先定义了基于最长公共子序列的用户行为序列距离度量方法;其次定义了用户行为序列多重集之间距离的度量指标,在此基础上提出用户行为相似度计算的SMD方法;最后提出行为序列多重集之间距离度量应遵循的基本准则。在人工和真实数据集上进行了实验,实验结果表明了所提方法的有效性。

融合用户相似度的影视推荐系统研究

伴随着互联网技术的高速发展,当今世界已进入信息时代.在"人人皆媒体"的大环境下,网络上信息巨大繁杂,为了从数以亿计的数据、新闻等各类信息中提取出自己感兴趣的信息,推荐技术应运而生.研究了在影视网站中融入推荐算法,根据用户的历史评分数据了解用户喜好,为使用者推荐符合他审美口味的,可能感兴趣的影视作品.在对原有Slope one推荐算法的不足进行分析的基础上,把最近邻和用户加权的思想融入到Slope one算法中,已达到增强算法性能的目的.

融合用户相似度和信任传播重组信任矩阵算法

针对协同过滤面临的一些本质问题,如数据稀疏和冷启动,本文提出了融合用户相似度和加权的信任传播来重组信任矩阵的方法。首先,将原始信任矩阵中用户相似度低于某一阈值的信任关系去掉;其次,将评分矩阵中用户相似度高于某一阈值的用户对添加到信任矩阵中;最后,考虑加权的信任传播,以此找到更多的信任邻居并对不同距离的信任邻居进行区分。在Epinions和Film Trust数据集上进行的对比实验结果表明,重组信任矩阵的方法能够有效地提高推荐精度,并在一定程度上解决了冷启动问题。

虚拟医疗社区中用户相似度计算方法

用户相似度计算在协同过滤系统、用户推荐系统以及社交网络中有着非常重要的作用。在对虚拟医疗社区用户关系进行分析的基础上,提出一种基于医学主题词表的用户相似度计算方法。在虚拟医疗社区的平台上用户可以进行信息咨询以及相互交流,从而有效分配医疗资源。

一种双层的微博用户相似度算法

[目的/意义]对用户在某些领域上的兴趣进行深入挖掘,计算用户在某些具体领域上的兴趣相似度,并以此为基础来得到更为准确的用户整体相似度。[方法/过程]首先利用用户标签将用户的兴趣划分为不同领域,随后以LDA主题模型为基础来对用户的微博进行分析,得出用户在不同领域上的兴趣权重,再以TF-IDF方法为基础来计算用户在不同领域上的相似度,最后结合用户在每个领域上的相似度来得出用户的整体相似度。[结果/结论]实验结果表明,该相似度计算方法能得到用户在某个具体领域上的相似度,以此为基础可以分析用户在不同领域内的关系,为后续研究打下良好的基础。

基于用户相似度和信任度的药品推荐算法

为了解决协同过滤算法推荐精度低的问题,提出基于用户相似度和信任度的药品推荐算法。该方法通过离线使用DBSCAN算法对药品进行聚类来降低时间复杂度。引入共同评分药品阈值使用户相似度计算更准确,同时设置相似度阈值来限定相似性邻居的选取以克服KNN算法选取邻居的缺陷。根据用户的推荐可信度和评分可信度建立信任计算模型,计算基于相似邻居集的可信邻居集。通过两次邻居选择策略为目标用户产生药品推荐。仿真结果表明,该算法与其他算法相比在平均绝对误差、准确率和召回率上有更好的性能,提高了系统推荐精度。

一种改进用户相似度的协同过滤推荐算法

在协同过滤推荐系统的相关研究中,计算用户的相似性时通常使用传统的余弦法、Jaccard相似法,而基于这些算法所得到的评分预测往往不够精确,且进行Top-N推荐时难以达到预期的效果。本文将用户相似度细分为分值差距度、评分倾向相似度、共同评分物品数权值三部分,提出一种改进型相似度计算方法。在Movie Lens数据集上进行实验,以预测误差MAE为评价指标,结果表明,该算法可以显著改善上述指标,提高推荐质量。

融合用户相似度与信任度的协同过滤推荐算法

传统的协同过滤算法难以解决"稀疏性"和"冷启动"等问题。鉴于此,提出一种融合用户相似度和信任度的方法。首先根据用户对共同项目的评分创建初始信任度,通过信任关系的传递规则,建立没有直接信任关系的用户之间的信任关系,然后融合用户相似度与信任度,用于传统的协同过滤推荐系统,找出用户的最近邻居集,进行项目的评分预测,从而产生推荐列表。实验表明,改进后的算法能有效提高系统推荐的准确性。

基于流行度制衡的微博用户相似度计算方法

以微博用户推荐算法中相似度计算为研究对象,根据微博用户关注信息的特点,分析了关注用户的流行度的不同程度,以及这种程度差异对相似度计算产生的影响,在此基础之上提出了一种加入流行度制衡因子的相似度计算方法.可通过流行度制衡因子,在计算用户相似度时,适度减少(增加)流行度偏高(偏低)的用户对计算结果的影响.实验结果表明:加入流行度制衡因子的用户相似度计算具有更好的推荐效果.

基于实时用户相似度随机模拟支持有线直播实时导视

本文提出了一种新型的有线直播实时导视模式,并针对实现直播实时导视的基础性环节和实时用户相似度随机模拟的实现过程进行了试验。从学习算法、数据处理平台和底层硬件平台的相关技术应用情况,阐述了基于深度学习技术的实时用户相似度随机模拟,为进一步实现有线直播实时导视的完整流程打下基础。

基于点击流的用户矩阵模型相似度个性化推荐

研究用户学习网页点击流数据,挖掘用户兴趣,从而为用户进行个性化学习资源推荐,提出JMATRIX算法。基于用户历史资源点击流信息,构建用户资源点击数据有向图模型,并将有向图模型转化为矩阵模型存储。采用求解矩阵模型相似度,从而求得用户相似度,极大地降低了资源点击频率和资源点击路径用户相似度求解的复杂度,提高用户相似度求解的效率与准确度。结合Leader Clustering算法及粗糙集理论进行用户聚类和用户个性化资源推荐。实验结果表明,相比Leader Clustering算法,JMATRIX算法具有更高的效率和更准确的推荐效果。

基于用户相似度和特征分化的广告点击率预测研究

大数据环境下如何对互联网广告进行精准投放一直是计算广告学领域高度关注的问题。作为在线广告投放效果的一个重要指标,点击率的精确预测关系到媒体、用户和广告主三方的利益。目前的主流方法是通过抽取特征建立单一点击率预测模型,其不足之处在于使用单个权重来度量特征对点击率的影响过于片面。该研究基于分而治之的思想,提出了基于用户相似度和特征分化的混成模型。该模型首先根据混合高斯分布来评估用户相似度,将其划分为多个群体。针对不同群体,分别构建子模型并进行有效组合,从而挖掘同一特征对不同群体的差异化影响,进而准确地预测广告点击行为。通过使用真实互联网公司的广告数据集进行实验,并与主流方法做了详细的对比分析,检验了该方法的有效性。

基于用户相似度的加权项目偏差SlopeOne协同过滤推荐算法

协同过滤算法旨在从海量的历史数据中,挖掘出拥有共同经验的用户群体的行为习惯,以此来协助对目标用户的个性化偏好作出合理的预测。根据这些预测结果,对目标用户进行有针对性的产品或资讯推荐,这对商家来说具有重大的意义和价值。传统的SlopeOne协同过滤推荐算法虽然实现简单,运行效率高,但其准确率不高。为了进一步提高预测结果的准确率,同时又尽可能的保留原算法所具有的效率优势,提出了基于用户相似度的加权项目偏差计算方法,优化了项目之间偏差性的衡量尺度,从而得到基于用户相似度的加权项目偏差SlopeOne协同过滤推荐算法(WID_SlopeOne_US)。大量实验证明,新算法具有更高的准确率、较高的效率、和良好的稳定性等优点。