给大家分享8篇关于用户影响力的计算机专业论文

今天分享的是关于用户影响力的8篇计算机毕业论文范文, 如果你的论文涉及到用户影响力等主题,本文能够帮助到你

融合社交信息的Top-N推荐算法研究

这是一篇关于推荐系统,协同过滤,知识图谱,社交信任,用户影响力的论文, 主要内容为随着互联网和信息技术的快速发展,人们已经进入了一个信息爆炸的时代。用户在享受网络生活的快捷和便利的同时,还伴随着“信息过载”问题。基于协同过滤的推荐算法由于其简单且高效的原理而成为了网络平台解决信息过载问题的有效解决方法之一。然而该类算法在遇到数据稀疏和冷启动问题时却无法得到准确的推荐。为了解决以上问题,相关学者尝试将社交信息引入矩阵分解技术,有效提高了推荐性能。然而一些社交信息同样存在数据稀疏等问题,导致推荐效果并不理想,因此有必要考虑充分挖掘社交信息来更好地改进传统推荐算法的不足。本文通过对现有社交信任以及用户影响力的度量方法进行优化改进,力求充分利用社交信任和用户影响力改善推荐性能。主要研究内容包括以下几个部分:(1)从隐式信任的角度出发,提出了一种基于用户偏好的信任度量模型。该模型在分析了传统用户偏好计算方法的多处不足后,考虑将知识图谱的实体特征作为辅助信息补充原始项目特征,挖掘用户对项目的潜在偏好,最终根据用户偏好的反馈结合初始信任度构建信任矩阵,以缓解用户历史评分数据存在的冷启动问题从而充分挖掘社交信任关系。(2)考虑到社交网络拓扑结构的相关特性,提出了一种改进的结构洞算法MSH(Modified Structural Hole)度量社交网络中用户的影响力。该算法利用信任网络作为社交网络,根据其特性求得邻居用户信息扩散贡献能力,最终结合邻居用户的信息扩散贡献值以及节点间相关重要性度量社交网络中节点的用户影响力。在多种大规模网络中的实验结果显示,MSH在信息传播模型(SI)中取得了更快的传播速度,证明了MSH能够有效识别社交网络中影响力用户。(3)融合社交信息的Top-N推荐算法研究。为了充分利用社交信息以缓解传统协同过滤算法存在的不足,提出了基于社交信任的社会化算法FSTA(Factored similarity models for Social Trust Ameliorated),该算法考虑到用户间信任关系存在差异,分别从信任者和被信任者的角度,将它们融合进矩阵分解技术的研究中;为了充分利用社交信息,接着在FSTA算法的基础上融入影响力用户并提出了基于社交信任和用户影响力的社会化算法FSTI(Factored similarity models with Social Trust and Influence),最终完成Top-N推荐排名过程。为了验证两种算法的有效性,在Movie Lens-1M和Book-crossing两个真实世界数据集上进行了广泛的实验,实验结果证明了FSTA和FSTI相比同类基准算法具有更高的推荐性能,其中FSTI表现的最好。同时冷启动实验表明,即使用户-项目间的交互稀疏,所提出两种算法仍可以保持良好的性能。

基于信息传播模型的微博热点事件预测系统

这是一篇关于热点事件预测,信息传播模型,关键词抽取,用户影响力,SSH框架的论文, 主要内容为近几年,随着互联网技术的发展,社交媒体的用户群体逐步壮大,如今在线社交网络已经迅速成为社会活动的重要枢纽和信息传递渠道。微博是当今中国应用最广泛的社交平台之一,用户庞大,微博的热点事件预测特别是突发事件的预测成为舆情监控的一个重要工作。然而,目前的一些研究方法没有考虑社交网络用户节点间的图关系,导致预测的效果不好;有的预测方法只是单纯的考虑用户节点间的图模型关系,并没有考虑到用户间的影响联系,预测效率低下。本文针对这些问题开展微博热点事件预测的研究。在分析总结现有传播模型以及预测算法的基础上,本文设计并实现了一个基于信息传播模型的效果更好的微博热点预测系统。并且也对系统的热点事件预测效果进行了实验测试。本文的主要工作有:(1)本文提出了一种基于用户节点影响力和IC模型的信息传播模型。针对目前信息传播模型存在用户影响力仅仅根据其粉丝数、用户标识来确定的缺陷,本文基于用户-微博组的加权有向二分图来计算用户的影响力。并结合用户关注度、信息敏感度以及是否包含外链等因素来进行信息传播预测,更加符合实际情况。(2)本系统采用历史人气抽取关键词,通过改进的信息传播模型,能够精确的描述预测的热点事件。针对微博出现的新词特性,本系统采用基于历史人气和词语的稀有度提出了HP-IBF的算法来抽取关键词。实验结果表明,本系统的算法的预测效率在保证一定数据量的情况下有一定的提高。(3)本系统采用基于J2EE平台的SSH框架,采用面向对象的设计方法和MVC的设计思想,遵循国际行业标准、J2EE规范、Web Service、AOP等,同时也设计并实现了用户管理、算法管理和数据集管理功能,具有良好的扩展性、低耦合性、安全性和技术先进性。在不同规模的真实微博数据集上与其他的预测模型进行了实验比较与分析,验证了热点预测模型的可行性与预测效果,并且我们设计的系统能够很好地完成微博的热点事件预测工作。

基于信息传播模型的微博热点事件预测系统

网络社交用户影响力与好友推荐研究

这是一篇关于社交网络,推荐系统,用户影响力,位置好友,PageRank算法的论文, 主要内容为随着社交网络的快速发展,在线网络社交平台成为了现代人们主流信息交流渠道。首先,网络用户影响力作为用户信息传播能力的度量指标,被广泛使用在社会热点新闻挖掘及舆论导向等研究领域,研究社交网络用户影响力有助于挖掘网络信息传播关键路径和关键节点,为相关部门如何加快正面信息传播和控制负面信息扩散提供决策支撑。其次,通过目前主流的社交网络平台,用户不仅可以获得相关帮助和感兴趣的信息,还可以结识更多的好友,从而扩展自己的好友圈。这些都很有意义。本文主要的工作有以下两点。第一,针对传统PageRank算法采用均值分配方式进而造成PR值损失问题,提出一种参数可调的社交用户影响力衡量方法,该方法首先是考虑PageRank算法PR值分配规律,通过分析用户行为发生频率计算得到对应可调参数,然后将可调参数与计算用户交互行为影响力公式相结合得到调整后的PR值,最后再考虑用户社交关系影响力,综合得到社交网络用户影响力度量公式。该算法与其它算法在相同数据集上进行对比实验,计算得到的RMSE值最小,进而表明该算法得到的用户影响力排名结果更接近于真实的用户影响力排名。第二,随着移动设配的GPS定位数据不断增长,大数据驱使的基于位置信息好友推荐系统受到了广泛的关注。研究人员借助于精准的定位服务技术,可以随时了解用户所在的位置信息,通过分析用户签到的位置名称信息,进一步能挖掘出用户兴趣爱好等重要信息。为了给网络用户推荐更多位置相邻的好友,从而提高基于位置好友推荐系统的性能,本文提出一种基于时空关系的好友推荐算法,该算法主要是考虑用户签到具体位置和签到时间相关的信息,使用数学建模方式在三维空间上建立签到位置距离与时间跨度的空间度量模型,结合用户社交关系以及基于位置挖掘出的用户兴趣爱好相似度,综合考虑得到评价用户相似度的度量公式。该算法与其它算法在相同gowalla数据集进行对比实验,准确率和召回率都有更好的表现。

基于矩阵分解的推荐算法研究

这是一篇关于推荐系统,矩阵分解,聚类,用户影响力,时间权重的论文, 主要内容为近些年来,随着互联网尤其是移动互联网的高速发展极大地促进了电子商务的繁荣。电商平台中无论是商品数量还是用户数量都呈现爆炸式增长。电商如何将商品信息快速有效地传达给目标用户,以及用户如何从海量的商品信息中快速准确地寻找有用信息成为当前研究的热点内容。在这种情况下,能够利用用户的各种行为信息准确预测用户的兴趣点,并将其感兴趣的内容推荐给用户的推荐系统受到了极大的重视。推荐算法产生的精确推荐在帮助用户快速寻找感兴趣商品的同时,尽最大可能地将用户潜在购买力转化为实际购买力,大大提高了网站的销售额。但是随着商品规模以及用户数量的不断增加,给计算机的计算能力带来了极大地挑战。而矩阵分解算法可以将高维的用户评分矩阵分解为几个低维矩阵,大大降低了计算复杂度,极大地提高了推荐系统的时效性。而且矩阵分解的应用,可以使得推荐系统的推荐精度随着评分数据的增加而不断提高,增加了系统的可学习性。因此,基于矩阵分解的推荐算法受到了越来越多的重视。在本文中,我们对如何进一步优化矩阵分解推荐算法的推荐效果做了一些研究。针对基于矩阵分解推荐算法中存在的忽视近邻用户对目标用户的影响问题,提出应该寻找目标用户的近邻并为之赋予影响权重。同时针对矩阵分解推荐算法没有考虑用户兴趣漂移的问题,为目标用户的兴趣项赋予了时间权重。针对上述问题,本文的主要研究内容有:(1)针对目标用户会受到近邻用户的影响这一问题,在进行矩阵分解时加入了近邻用户影响力。在众多的用户群体中,每位用户对目标用户的影响权重是不同的,与之相类似的用户影响力较大,与之差别较大的用户影响力较小。系统在使用矩阵分解算法进行推荐的时候,应充分考虑用户间的影响力。(2)如何寻找目标用户的近邻。本文指出了传统KNN算法在寻找目标用户的近邻用户时的缺陷所在,提出利用Cloud-model代替余弦相似度,从统计学意义上寻找目标用户的近邻。(3)解决了目标用户的兴趣漂移问题。目标用户的兴趣是随着时间变换而变化的。有的是长期兴趣,有的是短期兴趣。只考虑用户长期兴趣点或者只推荐用户短期兴趣点明显是不合理的。因此本文将目标用户兴趣的时间权重融合入矩阵分解推荐算法中,综合长期兴趣以及短期兴趣给出项目推荐,提高了推荐系统的准确性。