融合用户社会地位和矩阵分解的推荐算法

随着社交网络服务的日益流行,社交网络平台为推荐算法提供了丰富的额外信息.假设朋友之间共享更多的共同偏好并且用户往往易于接受来自朋友的推荐,越来越多的推荐系统利用社交网络中用户之间的信任关系来改进传统推荐算法的性能.然而,现有基于社交网络推荐算法忽略了2个问题:1)在不同的领域中,用户信任不同的朋友;2)由于用户在不同的领域内具有不同的社会地位,因此,用户在不同的领域内受朋友的影响程度是不同的.首先利用整体的社交网络结构信息和用户的评分信息推导特定领域社交网络结构,然后利用PageRank算法计算用户在特定领域的社会地位,最后提出了一种融合用户社会地位信息的矩阵分解推荐算法.在真实数据集上的实验结果表明:融合用户地位信息的矩阵分解推荐算法的性能优于传统的基于社交网络推荐算法.

基于PageRank的热点发现混合算法研究

社交网络下的热点话题发现技术是当前舆情分析与预测的基础性研究问题。传统的基于聚类、分类的文本分析方法不适用于网络舆情挖掘,经典的PageRank算法仅考虑网页间的链接结构,为了更加准确和全面地多角度综合评价舆情热点,文中综合考虑用户社会地位、博文相似度指数和热度指数三个热点发现的重要指标,提出了基于PageRank和相似度计算的热点发现混合算法(HDH-PRSC)。其中基于PageRank算法与微博用户粉丝间的链接结构图获取用户的社会地位值;结合TF-IDF算法与余弦相似性算法计算博文的相似度指数;利用转发数、评论数和点赞数获得博文的热度指数。博文的最终热度评分由用户社会地位值、博文相似度指数和热度指数三项分值相加获得。依托新浪微博数据的实验表明,HDH-PRSC算法能够更为合理地发现热点话题。