微博媒體的信息推薦方法研究.pdf

1、隨著互聯(lián)網和信息技術的不斷發(fā)展，特別是近年來各種社交媒體的涌現(xiàn)，人們可以更加方便地通過多種社交媒體來獲取好友及其他人發(fā)布的各種信息。這些技術基本滿足了用戶對各種信息的實時獲取需求，但同時也帶來了令人困擾的信息過載問題。因而，作為該問題的最有效解決方案—推薦系統(tǒng)近年來受到越來越多的研究者和工程師的關注。目前，研究者提出了多種推薦方法來解決商品、圖書等領域的推薦問題并取得很好的成果。但是，不同于這些領域的推薦問題，由于信息推薦缺少顯式的用戶

2、反饋信息，因而我們無法直接利用那些傳統(tǒng)的推薦方法來解決該問題。
　　為了在缺乏顯式反饋信息的情況下解決用戶所面臨的信息過載問題，本文嘗試利用微博用戶及其關注好友的歷史數(shù)據來獲取用戶的興趣相關信息，然后分別通過個性化新聞推薦和信息流排序的方式來解決信息過載問題。本文研究工作主要包含以下幾個方面：
　　首先構建微博爬蟲來獲取本文的實驗數(shù)據，然后針對推薦領域面臨的數(shù)據稀疏問題，結合微博用戶的特點設計了兩種數(shù)據擴展方法來擴展用戶的數(shù)

3、據，并且通過實驗的方式證明了這兩種方法能夠有效緩解數(shù)據稀疏問題。
　　針對新聞推薦問題，首先使用傳統(tǒng)的基于內容的推薦方法來進行嘗試，為了解決該方法推薦結果不理想的問題，本文分別基于邏輯回歸和支持向量機模型設計了兩種新聞推薦方法，并對其中存在的問題進行了分析。
　　在分析了邏輯回歸和支持向量機的局限性后，選擇采用排序學習的方法對新聞進行推薦，分別提出了基于貝葉斯優(yōu)化準則的推薦方法和基于RankSVM的推薦方法。另外，對于用戶興