論文查重服務(wù)12年
211、985指定查重網(wǎng)
-
全國(guó)咨詢電話：0571-28284626
摘要：用戶相似性論文的檢索重量是用戶關(guān)系分析的基礎(chǔ)，在推薦系統(tǒng)、用戶集群、社區(qū)發(fā)現(xiàn)等方面具有重要意義。對(duì)于微博用戶的社交關(guān)系和微博文本，分別提供類似度計(jì)算方法，并構(gòu)建加權(quán)集成的用戶類似性度量方法。
最后與用戶的類似度量的實(shí)驗(yàn)分析進(jìn)行比較，對(duì)于傳統(tǒng)的用戶類似度的計(jì)算方法，所提出的方法在準(zhǔn)確性和回收率方面明顯提高，并且顯示了該方法度量的用戶相似性的有效性。微博是一個(gè)基于用戶社交關(guān)系發(fā)布、共享和獲取信息的在線社交平臺(tái)，在微博上，可以隨時(shí)發(fā)送信息，轉(zhuǎn)發(fā)感興趣的微博內(nèi)容，進(jìn)行點(diǎn)評(píng)和評(píng)論。據(jù)新浪微博官方發(fā)布的數(shù)據(jù)顯示，目前微博月的活動(dòng)用戶已經(jīng)超過(guò)4億人，構(gòu)成了龐大的用戶網(wǎng)絡(luò)，分析并挖掘微博平臺(tái)上用戶的特點(diǎn)以及發(fā)布的內(nèi)容和關(guān)注關(guān)系這是目前流行的研究方向，用戶的類似度計(jì)算是其中重要的研究點(diǎn)。
用戶類似度計(jì)算相關(guān)技術(shù)可以用于朋友推薦、類似的用戶發(fā)現(xiàn)，并且可以在大容量用戶中發(fā)掘與目標(biāo)用戶的關(guān)系、興趣等特征維度相似的用戶，并向目標(biāo)用戶推薦。此外，用戶類似度計(jì)算在用戶集群、社區(qū)發(fā)現(xiàn)、熱點(diǎn)微博客跟蹤等方面具有重要意義[2]。
本論文將社會(huì)關(guān)系（興趣、粉絲）和微博客文本的兩個(gè)屬性相結(jié)合，并提供微博客用戶的類似性度量方法。1社交媒體上關(guān)于用戶的信息，總體來(lái)說(shuō)，①用戶的背景信息包括年齡、性別、地理位置、教育、職業(yè)、標(biāo)簽信息等。②用戶的社交關(guān)系包括興趣、粉絲、轉(zhuǎn)發(fā)、稱贊等。③用戶發(fā)布的微博客信息。現(xiàn)有研究的許多工作是基于上述三個(gè)信息中的一個(gè)或多個(gè)來(lái)構(gòu)建用戶的類似度量的方法。
Bhattacharyya等[3]從用戶的背景信息中提取關(guān)鍵字，通過(guò)計(jì)算關(guān)鍵字的意思距離來(lái)表示關(guān)鍵字的類似性，進(jìn)而測(cè)量用戶之間的類似度。分析Twitter用戶的興趣和粉絲的關(guān)系，利用由用戶關(guān)系構(gòu)成的網(wǎng)絡(luò)構(gòu)造來(lái)測(cè)量用戶之間的相似性。
Kahanda等[5]利用用戶之間的傳送、注釋、文件傳送等交互行為來(lái)測(cè)量用戶的類似度。Xiang等[6]根據(jù)用戶的屬性（包括學(xué)校、職場(chǎng)、興趣小組、地理位置等）和用戶之間的相互作用來(lái)計(jì)算用戶關(guān)系的強(qiáng)度。徐志明等[7]在進(jìn)行微博用戶的類似性度量時(shí)，提供用戶的背景信息、微博文本、社交信息等各種屬性的類似度計(jì)算方法，實(shí)驗(yàn)各屬性對(duì)類似度計(jì)算的影響大小，社交信息對(duì)用戶的類似性度量影響最大。我認(rèn)為有響力。
鄭志緒等[8]將微博用戶自身的背景信息和交互信息的兩個(gè)屬性結(jié)合起來(lái)，利用層級(jí)分析法決定各屬性的權(quán)利值，最后構(gòu)建綜合的用戶類似度計(jì)算模型。姚雅修等[9]分別計(jì)算用戶間社交信息的類似度、微博內(nèi)容的類似度和交互關(guān)系的類似度，最后融合各類類似度，導(dǎo)出兩個(gè)用戶的總類似度，進(jìn)行用戶推薦。本文使用用戶的社交關(guān)系和微博客文本來(lái)構(gòu)建用戶的類似性度量方法，并提供基于用戶的社交關(guān)系信息和微博客文本信息的用戶類似度計(jì)算方法。基于Jaccard[10-11]方法，用戶之間的公共朋友根據(jù)熱而被賦予權(quán)重，類似度的計(jì)算結(jié)果變得更合理。
②關(guān)于微博文本的類似度計(jì)算，使用LDA模型[12]表示微博文本，計(jì)算類似度，比基于TF-IDF的VSM模型[13-14]有效地降低文本向量的維度，提高了類似度計(jì)算的效果。2微博客用戶類似度計(jì)算模式2.1用戶社交關(guān)系類似度計(jì)算在微博客平臺(tái)上存在用戶間關(guān)心和關(guān)心的關(guān)系，關(guān)注用戶感興趣的賬戶，吸引其他用戶到自己的粉絲興趣和關(guān)心的關(guān)系不斷擴(kuò)大，構(gòu)成了龐大的社交網(wǎng)絡(luò)。
微博客用戶的關(guān)心信息和粉絲信息直觀地反映了用戶的興趣，兩個(gè)微博用戶的共同粉絲和關(guān)心者很多，表明他們有著更密切的社交聯(lián)系。這個(gè)也可以在一定程度上反映用戶之間的類似度。對(duì)于微博客用戶u，其社交信息如上所述示為Jaccard。該方法通過(guò)兩個(gè)用戶之間的共同感興趣的用戶的比例來(lái)測(cè)量用戶之間的類似度。該方法對(duì)于不同的共同感興趣的用戶，不管狀況如何，無(wú)論是更高的熱用戶（即風(fēng)機(jī)較多）還是一般用戶，對(duì)用戶類似度的計(jì)算結(jié)果的影響都相同。但是，實(shí)際上并不是這樣。微博平臺(tái)上有很受歡迎的用戶。這些受歡迎的用戶是超級(jí)粉絲，受到很多微博用戶的喜愛(ài)。對(duì)這樣受歡迎的用戶感興趣，往往不能反映出用戶真正的興趣。相比之下，微博用戶在某種意義上反映了用戶真正的興趣。
基于上述現(xiàn)象，在計(jì)算用戶u和用戶v感興趣的類似度時(shí)，越是關(guān)注微博用戶z的粉絲越多，在計(jì)算感興趣的類似度時(shí)權(quán)重越小。與此相對(duì)，粉絲數(shù)越少，計(jì)算關(guān)注度時(shí)的分量越大。基于這種想法，本文中基于Jaccard方法，可以基于2.2來(lái)表示每個(gè)共同的興趣因其熱而具有不同的權(quán)重，并且用戶感興趣的信息的類似度的計(jì)算公式。LDA用戶微博文本類似度計(jì)算可以使用戶在微博平臺(tái)上隨時(shí)發(fā)表自己的想法和見(jiàn)解，并且可以轉(zhuǎn)發(fā)和評(píng)論感興趣的用戶的微博內(nèi)容。微博文本是微博用戶之間交互交流的主要媒體，微博文本直接表達(dá)了用戶感興趣的內(nèi)容和話題。
兩個(gè)用戶所投稿的微博客文本的類似度可以有效地表示兩個(gè)用戶之間的類似度。基于TF-IDF的矢量空間模型（VSM）文本類似度計(jì)算方法被廣泛用于微博客文本類似度計(jì)算[7,9]。
將用戶的微博文本拼接在一個(gè)文檔中，對(duì)關(guān)鍵字進(jìn)行分類、提取，使用TF-IDF計(jì)算關(guān)鍵字權(quán)重，最終將用戶的微博表示為一個(gè)文本向量，根據(jù)余弦類似度計(jì)算兩個(gè)用戶的微博文本的類似度做。VSM將文檔表示為高緯度、稀疏的文本向量，由于計(jì)算效率不高，VSM不能忽略單詞之間的關(guān)系，完全建模自然語(yǔ)言的復(fù)雜性問(wèn)題。對(duì)于上述方法中存在的缺陷，本文使用LDA主題模型進(jìn)行了文本類似度計(jì)算。
LDA（LatentDirichletAlloca？tion）模型是對(duì)文檔數(shù)據(jù)的主題信息進(jìn)行建模的方法，并且具有文檔主題-特征詞的三層糊精網(wǎng)絡(luò)結(jié)構(gòu)。本文利用LDA模型對(duì)用戶的微博文本進(jìn)行建模，即利用文本的統(tǒng)計(jì)特性，挖掘不同主題與單詞之間的潛在關(guān)系，以主題分布的形式展開(kāi)文檔，通過(guò)該分布計(jì)算文本的類似度。
使用LDA主題模型來(lái)計(jì)算文本的類似度可以比矢量空間模型更好地表示文本的意義，并且可以有效地降低文本向量的維度。用戶投稿的微博客
