基于社交媒體的推薦技術(shù)若干問(wèn)題研究.pdf

1、隨著Web2.0以及社會(huì)化媒體的發(fā)展，尤其是近5年來(lái)Facebook、Blogger和Twitter等網(wǎng)絡(luò)應(yīng)用的盛行，不僅創(chuàng)造了“全民記者時(shí)代”，更是帶來(lái)了社交媒體領(lǐng)域的信息泛濫。面對(duì)這些近乎災(zāi)難的數(shù)據(jù)，一個(gè)很自然的問(wèn)題是:用戶如何才能找到有用的信息呢？個(gè)性化推薦技術(shù)作為一種解決“信息過(guò)載”的有效手段，毫無(wú)疑問(wèn)成為了首選。但是社會(huì)化媒體中用戶人數(shù)、信息數(shù)據(jù)的爆炸增長(zhǎng)以及用戶結(jié)構(gòu)的不斷復(fù)雜化，使得推薦系統(tǒng)不得不面臨一些新的挑戰(zhàn)，尤其是數(shù)據(jù)

2、的極度稀疏、實(shí)時(shí)推薦和可信任推薦三個(gè)問(wèn)題在社交媒體推薦中更為突出。
　　 圍繞著如何克服數(shù)據(jù)稀疏問(wèn)題、加快推薦的速度、提高推薦的可信度和保證推薦的準(zhǔn)確度，本文對(duì)社交媒體環(huán)境下推薦系統(tǒng)中涉及的若干問(wèn)題進(jìn)行了有益的探索和研究。主要的研究工作和創(chuàng)新點(diǎn)如下:
　　 (1)在對(duì)用戶行為數(shù)據(jù)進(jìn)行統(tǒng)計(jì)學(xué)分析的基礎(chǔ)上，提出了基于用戶行為的協(xié)同過(guò)濾推薦方法。該方法通過(guò)分析用戶行為的數(shù)據(jù)，發(fā)現(xiàn)用戶行為的一些全局結(jié)構(gòu)和隱含特征，并將這些信息與

3、用戶行為數(shù)據(jù)一起作為協(xié)同過(guò)濾推薦方法的依據(jù)。實(shí)驗(yàn)表明，該方法在一定程度上提高了推薦的準(zhǔn)確度。
　　 (2)針對(duì)用戶行為數(shù)據(jù)的稀疏性問(wèn)題提出了基于語(yǔ)義的矩陣分解預(yù)測(cè)方法。該方法通過(guò)提取用戶行為中的一些語(yǔ)義信息，如隱含特征信息、上下文時(shí)間信息、位置信息等，并采用矩陣分解的方法來(lái)補(bǔ)全用戶行為矩陣中的缺失數(shù)據(jù)。最后，根據(jù)已補(bǔ)全的用戶行為矩陣信息為用戶進(jìn)行推薦預(yù)測(cè)。
　　 (3)針對(duì)實(shí)時(shí)推薦問(wèn)題提出了基于Co-clustering

4、的聚類推薦方法。該方法首先采用Co-clustering聚類方法來(lái)對(duì)用戶和行為進(jìn)行離線聚類;然后基于離線聚類的結(jié)果，結(jié)合用戶的最近行為實(shí)現(xiàn)在線的實(shí)時(shí)推薦;最后，通過(guò)增量更新模型不間斷地更新用戶行為數(shù)據(jù)來(lái)保證離線聚類結(jié)果的準(zhǔn)確性。該方法，一方面通過(guò)聚類法減少最近鄰用戶的搜索空間來(lái)降低計(jì)算復(fù)雜度;另一方面通過(guò)將離線聚類和在線實(shí)時(shí)推薦分開(kāi)來(lái)減少在線推薦的計(jì)算時(shí)間。
　　 (4)提出了利用社會(huì)媒體中的社會(huì)關(guān)系來(lái)提高推薦可信度的方法。該方