论文部分内容阅读
当下,我们生活在一个信息爆炸式增长的时代。为了缓解人们面临的“信息过载”问题,推荐技术应运而生。推荐技术旨在利用用户的兴趣信息向其推送其可能感兴趣或可能需要的信息。传统推荐技术由于可利用信息有限,往往会遇到冷启动和稀疏性等问题。随着社交网络的兴起,社交媒体日益丰富。这些社交媒体不但丰富了资源的描述信息,也提供了更加全面的用户兴趣信息。 在本文中,我们主要关注社交网络中的推荐问题,拟利用丰富的社交媒体信息提升推荐的准确率。为了克服该问题中的一系列难点,我们提出了相应的解决办法。本文的主要工作包括: 为了在推荐技术中融合多种社交媒体信息,并且充分利用这些媒体中的高维关系,我们提出了利用混合超图对社交媒体进行建模。具体地,我们将社交媒体中多种对象当成混合超图中的多种顶点,将多种社交关系当成混合超图中的多种超边。最终推荐问题被构建成这个混合超图上的排序问题。在实验中,我们利用音乐社区中的社交媒体来做音乐推荐。实验结果表明我们的方法可以更好地利用社交媒体信息,大大提升了推荐的准确率。同时我们也分析了不同类型社交媒体信息在推荐中的影响力。 在社交网络中,尤其是微博社区,用户常常表达自己对某些对象或者事件的态度及情感。分析在线大众情感变化可以为很多决策提供辅助信息。我们拟挖掘大众情感变化背后的可能原因,并以关键微博的形式推荐给用户。为此,我们提出了两个基于LDA的主题建模方法。第一个模型通过挖掘变化时期的突发事件来揭示变化背后的原因。为了更好地展示结果,第二个模型将一系列原因候选(关键微博)进行排序,以自然语言的形式向用户展现情感变化最可能的原因。所提出的方法具有一般性,可以用在其它类似的应用中:挖掘一个文档集合相对于另一个文档集合的特有主题或事件。 为了缓解冷启动和稀疏性问题,跨社交网络推荐拟利用辅助网络中的用户兴趣信息来辅助目标网络中的推荐。而很多社交网络彼此独立,用户对应信息缺失。为了实现跨社交网络用户对应,我们提出了超图上的流行对齐方法。基于社交关系信息和用户属性信息,我们提出的方法可以将不同网络中的用户嵌入到同一低维空间中。进而用户之间的相关性可以根据在嵌入空间的坐标得到。我们也给出了将用户名信息与我们方法相结合的方法。实验证明我们提出的方法可以有效的实现跨社交网络用户对应。 基于跨社交网络用户对应,跨网络的推荐成为可能。我们提出了利用丰富社交媒体的跨网络用户兴趣迁移和推荐方法。具体地,我们提出一个扩展的LDA模型,可以将资源和用户兴趣在一个公共的主题空间中建模。多种社交媒体信息同时用来学习这个主题空间。这样不同网络中的资源可以在公共主题空间中进行比较,实现了用户兴趣的跨网络迁移。基于公共主题空间的推荐有很多种方式,包括基于资源和用户主题分布的直接比较,基于概率的评分预测等。实验结果证明了所提方法的有效性。