软件学报:jos:5545 · 记录 #1
向微博用户推荐对其有价值和感兴趣的内容，是改善用户体验的重要途径.通过分析微博特点以及现有微博推荐算法的缺陷，利用标签信息表征用户兴趣，提出一种结合标签扩充与标签概率相关性的微博推荐方法.首先，考虑到大部分微博用户未给自己添加任何标签或添加标签过少，视用户发布微博为超边，微博中的词视为超点来构建超图，并以一定的加权策略对超边和超点进行加权，通过在超图上随机游走，得到一定数量的关键词，对微博用户标签进行扩充；然后，采用相关性标签权重加权方案构建用户-标签矩阵，利用标签之间的概率相关性，构造标签相似性矩阵，对用户-标签矩阵进行更新，使该矩阵既包含用户兴趣信息，又包含标签与标签之间的关系.以新浪微博公开API抓取的微博信息作为实验数据进行了一系列的实验和分析，结果表明，该推荐算法具有较好的效果.
这些页面提供论文线索，不代表同行评审或质量认证。
此版本尚未生成 AI 解读。解读由后台任务生成并按论文版本保存，登录后共享已有结果。
2019 · 正式发表 · DOI: 10.13328/j.cnki.jos.005545
目前只观测到一个版本，无法比较变化。之后收录新版本时，会在这里对照标题、作者、分类和摘要。
平台记录号代表本站观测到的元数据变化，不是作者修订号。来源日期仅到月份或年份时，按该月或该年首日存档。
向微博用户推荐对其有价值和感兴趣的内容，是改善用户体验的重要途径.通过分析微博特点以及现有微博推荐算法的缺陷，利用标签信息表征用户兴趣，提出一种结合标签扩充与标签概率相关性的微博推荐方法.首先，考虑到大部分微博用户未给自己添加任何标签或添加标签过少，视用户发布微博为超边，微博中的词视为超点来构建超图，并以一定的加权策略对超边和超点进行加权，通过在超图上随机游走，得到一定数量的关键词，对微博用户标签进行扩充；然后，采用相关性标签权重加权方案构建用户-标签矩阵，利用标签之间的概率相关性，构造标签相似性矩阵，对用户-标签矩阵进行更新，使该矩阵既包含用户兴趣信息，又包含标签与标签之间的关系.以新浪微博公开API抓取的微博信息作为实验数据进行了一系列的实验和分析，结果表明，该推荐算法具有较好的效果.
查看此版本解读 →查看此版本原文 ↗