分享6篇关于微博推荐的计算机专业论文

今天分享的是关于微博推荐的6篇计算机毕业论文范文, 如果你的论文涉及到微博推荐等主题,本文能够帮助到你

面向社交网络的推荐系统的设计与实现

这是一篇关于社交网络,推荐系统,主题模型,微博推荐的论文, 主要内容为用户通过社交平台进行交友,不再受物理距离的限制。但是只将用户线下的好友关系迁移到线上的交友方式,不再能满足用户多样化的交友需求。好友推荐算法专注于如何向社交网络中的目标用户推荐其潜在意愿能成为朋友的用户,这样可以提高用户粘性以及在社交应用中给用户带去更良好的体验,因此好友推荐算法也成为了社交网络中热门的研究方向之一。本文依据社会学中人与人之间的三元闭包原理、心理学中人际吸引相关的概念以及基于内容的推荐算法,针对只考虑用户内容这一单一因素得到的好友推荐结果所显现出的部分问题提出解决途径。提出一种融合内容相似度的多层人际吸引好友推荐算法,首先由三元闭包原理得知朋友的朋友成为朋友的概率很大,其次通过吸引度的值进行降序排序能得到备选的好友推荐列表,接着与基于word2vec算法得到的另一备选的好友推荐列进行加权操作,最终得到要推荐的好友推荐列表。在提出融合内容相似度的多层人际吸引好友推荐算法后,使用微博真实的用户数据完成了算法的验证,得出的结论是提出的算法比基于三元闭包原理的算法在推荐测评指标上有一定的提高。设计了包含好友推荐的面向社交网络的推荐系统,系统的前端使用Vue框架来展示基本页面信息和完成用户交互功能,系统的后端采用Spring Boot框架进行逻辑的处理,采用传统的MySQL关系型数据库进行数据的持久化。最后对系统功能的完整性和性能的稳定性进行测试。测试结果表明,系统在功能上符合需求的设计,在性能上满足了稳定性和时效性。

环境污染事件中的微博信息分析及个性化推荐方法研究

这是一篇关于空间关系,本体,情感分析,微博推荐,环境污染的论文, 主要内容为随着互联网的普及与社交媒体的兴起,人人都可在网上发出自己的声音,由于社交媒体提供的信息具有丰富的上下文语境信息(如位置、情绪、社交网络),使得线上信息与线下人们真实的生活发生了关联,无形中用户成了社会的实时感知器。同时,社交媒体具有开放、实时、丰富等特性,每个社交媒体用户亦作为信息的获取者存在,从中获取感兴趣的信息。然而,海量信息的涌现使用户无法在短时间内获取感兴趣的信息资源,在此情境下,个性化的信息推荐系统应运而生。公民意识的提升,使环境污染日益成为民众关注的重点,与环境污染相关的信息在互联网和社交媒体中传播并引起讨论。用户在获取环境污染信息时,与获取一般信息相比,更在意信息的时效性、真实性、空间联系性等特性。因此,对于环境污染信息的推荐,在设计推荐算法时需要充分考虑信息的来源、发布时间、发布地点等上下文语境信息。本文首先在微博中采集环境污染事件的信息,利用信息提取技术获取微博文本的主题、情感等特征信息,然后分析此类特征信息与其地理位置之间的关联,最终融合空间关系与情感强度,设计出基于本体结构的微博信息推荐算法。具体地说,本文的主要工作和贡献如下:1、环境污染领域本体的构建:网络是民众表达个人态度、意见、观点的重要渠道,但由于网络自身与网民的一些特点与行为习惯,使得网络用语同书面语之间存在一定差异。针对目前构建基于网络用语的环境污染本体研究较少的状况,提出一种构建环境污染领域本体的方法。本文以政务网站的投诉文本为数据源,利用词频、TF-IDF模型、人工标注结合的方法选取种子词,将种子词输入Word2vec模型提取领域本体核心概念,采用Protégé工具构建环境污染领域本体,最终实现基于本体结构的环境信息推荐算法。2、对污染事件中微博的信息与地理位置进行关联分析:基于TF-IDF(Term Frequency-Inverse Document Frequency)算法、LDA主题模型(Latent Dirchlet Allocation,LDA)与情感词典提取微博文本的关键词、蕴含的主题、情感倾向、情感强度,通过与用户所处的地理位置进行关联分析,发现污染事件中受污染影响程度与位置、文本主题、情感倾向之间的关联。3、设计融入空间关系与文本情感强度的信息推荐技术:针对不同位置用户对环境污染信息需求的类型与关心程度不一致问题(如周围发生环境污染事件的用户更关心相关污染信息),本文在基于本体结构推荐技术的基础上提出一种顾及空间关系、微博情感强度的信息推荐方法。基于上述方法,本文建立了环境污染事件微博信息与地理位置、博文情感强度之间的关联,在基于环境污染本体并顾及空间关系的基础上进行污染信息的推荐,一定程度上可为相关用户获取环境污染信息提供便利。

基于TOPSIS方法的微博应用推荐系统的设计与实现

这是一篇关于TOPSIS算法,用户兴趣,微博推荐的论文, 主要内容为随着社会的不断进步，我们的生活发生了巨大的变化。近年来社交平台网络受到大家的重视，社交网络平台使人们能随时随地把自己的心情，或者经历的事情发到网络上，使朋友随时关注自己的状态，方便了大家的交流，拉近了彼此的距离。为了提升微博应用的推广效率，并实现商家与用户之间的双赢局面，本文研究并实现了微博用户行为的推荐系统。本文的研究重点是推荐系统的实现。文章通过对KDD CUP2012中腾讯微博的数据进行整理与分析，对微博用户的兴趣点与所要推荐给用户的应用的特征点进行提取，提取后，将二者进行匹配。根据已知的用户数据分析出用户的潜在关键词，这可以帮助公司开发的产品能够更加贴近用户的需要，更方便的满足用户需求，使得用户能够有更加好的体验。并且，一个好的推荐系统可以帮助公司减少资源的浪费，缩减成本的投入，从而获得更大的利益，同时，有着更加良好用户体验的用户会为公司带来更多的流量，更好的转化率，从而为公司带来更多盈利。总之，推荐系统在多方面取得公司与用户之间的双赢。给出微博用户的兴趣与推荐给用户的应用是否匹配进行预测。本文分析了微博用户的各项特征，选取与用户兴趣最相关的活跃度(用户日均发微博数，日均转发数，日均评论数之和)，at率(用户的at的次数占所发微博数与评论数与转发数与at数之和的占比)、关键词个数及关键词匹配数这四个特征进行具体分析。并采用层次分析法确定各特征所占的权值，使用TOPSIS理论构造规范化矩阵，最终求出目标与理想解的贴近度，分析用户接受某项目的可能性。并根据数学模型编写软件，使用软件进行模型的检测。实验结果表明，文章给出的模型可以较好的反应用户的兴趣，实现对用户兴趣的预测。

基于马尔科夫的兴趣漂移及微博推荐

这是一篇关于微博推荐,用户兴趣,兴趣漂移,马尔科夫模型,个性化推荐的论文, 主要内容为本文基于当前最流行的社交媒体之一——新浪微博进行研究,并针对当前推荐系统现状和存在的一些问题展开论文研究工作。随着大数据时代的到来,互联网数据呈几何倍增长,各种社交工具也层出不穷,facebook、youtube、新浪微博等工具逐渐成为用户发布和获取信息的重要平台。如何从大量信息中获取自己想要的信息,关系到用户的实际体验,更关系到商家的产品竞争力。在此基础上,互联网用户的个性化推荐系统应运而生。目前流行的推荐算法有基于内容的推荐、基于协同过滤的推荐、基于兴趣的推荐和混合推荐等。基于用户兴趣的推荐是多种推荐方法中重要的一种。该推荐方法旨在挖掘用户潜在兴趣,达到对用户更全面的理解从而提升推荐的准确率。为了更准确地捕捉用户兴趣的变化,兴趣漂移理论应运而生。兴趣漂移方法主要有时间窗口法、遗忘函数法、马尔科夫理论法等。本文以马尔科夫理论为基础,以微博文本为背景,提出了多状态转移马尔科夫链的转移概率矩阵计算方法和基于马尔科夫链融合的兴趣预测方法。文章首先使用潜在狄利克雷模型提取用户微博的潜在主题和主题概率,将潜在主题作为用户的兴趣,并根据微博和模型的特点计算用户的兴趣度,然后使用主题演化理论模拟用户兴趣的动态变化。由于传统的马尔科夫链是单状态的转移,不能很好地应用于微博用户多兴趣同时转移的情况,本文提出了多状态同时转移的转移率矩阵计算方法,并为每个用户建立马尔科夫链模型。为了更好地做出推荐,使用综合了语义相似度和概率相似度的用户兴趣相似度算法寻找相近的兴趣,并综合兴趣度寻找用户的相似用户。将相似用户的兴趣和转移率矩阵进行融合,使用融合后的马尔科夫链预测用户兴趣。基于用户兴趣度最高的几个兴趣为用户推荐Top N个微博。最后使用微博的真实内容作为实验数据,对影响模型的多个参数做了对比实验寻找参数的最优值。最后对模型的准确率和推荐效率进行了对比实验,结果表明,该算法有较高的预测准确率和更快的运算速度。对推荐的实际应用有一定的借鉴作用。