为了准确地为微博用户推荐相近兴趣领域的重要用户,有效提高用户对微博平台的依赖度。该文对传统的HITS算法进行了改进: 通过分析微博用户社交网络结构,运用改进算法将微博用户划分为3类,在微博主题相似度计算中引入用户的权威度和中心度,最后根据用户类别进行微博用户推荐。实验中,使用爬取的微博数据对传统的推荐算法和该文的改进算法进行对比实验,由于所提算法在分析过程中考虑了用户结构信息、用户的权威度与中心度等多种因素,因而在准确率、召回率、F1值上均有明显提高。
Abstract
To recommend important users in similar interest areas for micro-blog users, the improved HITS method is used to classify user categories based on the analysis of the micro-blog users’ network structure. Since the user's authority and centrality is already introduced into micro-blog topic similarity calculation, the micro-blog users are recommended according to the category of users. Using the crawled micro-blog data, the proposed algorithm has significant improvement compared with the traditional recommendation algorithms.
关键词
微博用户推荐 /
HITS /
权威度 /
中心度 /
主题相似度
{{custom_keyword}} /
Key words
micro-blog user recommendation /
HITS /
authority /
centrality /
topic similarity
{{custom_keyword}} /
{{custom_sec.title}}
{{custom_sec.title}}
{{custom_sec.content}}
参考文献
[1] 徐志明,李栋,刘挺,等.微博用户的相似性度量及其应用[J].计算机学报,2014,37(1):207-218.
[2] Winlaw M,Hynes M B,Caterini A,et al.Algorithmic acceleration of parallel ALS for collaborative filtering:Speeding up distributed big data recommendation in spark[C]//Proceedings of the 2015 IEEE 21st International Conference on Parallel and Distributed Systems.Piscataway,NJ:IEEE,2015:682-691.
[3] 毛佳昕,刘奕群,张敏,等.基于用户行为的微博用户社会影响力分析[J].计算机学报,2014,37(4):791-800.
[4] 仲兆满,管燕,胡云,等.基于背景和内容的微博用户兴趣挖掘[J].软件学报,2017,28(2):278-291.
[5] 姚彬修,倪建成,于苹苹,等.基于多源信息相似度的微博用户推荐算法[J].计算机应用,2017,37(5):1382-1386.
[6] 彭泽环,孙乐,韩先培,等.基于排序学习的微博用户推荐[J].中文信息学报,2013,27(4):96-102.
[7] 吴树芳,徐建民.基于HITS算法的微博用户可信度评估[J].山东大学学报(工学版),2016,46(5):7-12.
[8] 喻依,甘若迅,樊锁海,等.基于PageRank算法和HITS算法的期刊评价研究[J].计算机科学,2014,41(s1):110-113.
[9] 苗家,马军,陈竹敏.一种基于HITS算法的Blog文摘方法[J].中文信息学报,2011,25(1):104-110.
[10] 安维凯.基于个性化标签和微博主题的重要用户推荐方法研究[D].沈阳:辽宁大学硕士学位论文,2018.
[11] 刘昊,洪宇,姚亮,等.基于HITS算法的双语句对挖掘优化方法[J].中文信息学报,2017,31(02):25-35.
[12] 邸亮,杜永萍.LDA模型在微博用户推荐中的应用[J].计算机工程,2014,40(5):1-6.
[13] 周小平,梁循,张海燕.基于R-C模型的微博用户社区发现[J].软件学报,2014,25(12):2808-2823.
[14] 祝婷,秦春秀,李祖海.基于用户分类的协同过滤个性化推荐方法研究[J].数据分析与知识发现,2015,31(6):13-19.
[15] Han S,Xu Y.Friend recommendation of microblog in classification framework:Using multiple social behavior features[C]//Proceedings of International Conference on Behavior,Economic and Social Computing,NJ:IEEE,2015:1-6.
[16] 任星怡,宋美娜,宋俊德.基于位置社交网络的上下文感知的兴趣点推荐[J].计算机学报,2017,40(4):824-841.
[17] 陈梅梅,薛康杰.基于标签簇多构面信任关系的个性化推荐算法研究[J].数据分析与知识发现,2017,1(5):94-101.
[18] 蔡强,韩东梅,李海生,等.基于标签和协同过滤的个性化资源推荐[J].计算机科学,2014,41(1):69-71.
[19] 侯银秀,李伟卿,王伟军,等.基于用户偏好与商品属性情感匹配的图书个性化推荐研究[J].数据分析与知识发现,2017,1(8):9-17.
{{custom_fnGroup.title_cn}}
脚注
{{custom_fn.content}}
基金
国家自然科学基金(71771110);中国博士后科学基金(2018M631814);教育部重点实验室资助项目(93K172018K01);辽宁省社科规划基金(L18AGL007)
{{custom_fund}}
PDF(1438 KB)
