基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
提出一种新的朋友推荐方法,该方法同时使用用户兴趣和朋友关系这2种因素来为目标用户推荐朋友,对PageRank算法进行改进,提出一种能同时融合上述2种因素的Topic_Friend_PageRank(TFPR)模型.首先,采用LDA(latent Dirichlet allocation)分析用户发布的消息内容,将用户表示为若干主题上的分布,从而建模用户的兴趣.接下来,使用加权的PageRank算法建模用户在整个链接拓扑中的重要程度和用户之间朋友关系的相似性.最后根据主题感知的PageRank思想,将用户兴趣融入前面提到的加权PageRank中,形成同时融合用户兴趣和朋友关系的TFPR模型.采用新浪微博数据验证所提模型的性能,实验证明该模型能同时得到较高的准确率和召回率.
推荐文章
融合用户兴趣模型与会话抽取的微博推荐方法
用户兴趣模型
会话抽取
归一化割
非负矩阵分解
微博推荐
基于用户扩展兴趣的微博推荐方法
个体兴趣
关联兴趣
扩展兴趣
微博推荐
一种基于用户兴趣的微博实体链接方法
自然语言理解
实体链接
实体消歧
概率主题模型
用户兴趣建模
融合相似度和地理信息的兴趣点推荐
潜在狄利克雷分布
Louvain社区发现
兴趣点推荐
地理信息
相似度
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 融合链接拓扑结构和用户兴趣的朋友推荐方法
来源期刊 通信学报 学科 工学
关键词 社交网络 朋友关系 主题模型 PageRank算法
年,卷(期) 2015,(2) 所属期刊栏目 学术论文
研究方向 页码范围 117-125
页数 9页 分类号 TP391
字数 7207字 语种 中文
DOI 10.11959/j.issn.1000-436x.2015040
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 张鹏 中国科学院信息工程研究所 220 1605 21.0 32.0
2 曹亚男 中国科学院信息工程研究所 7 37 4.0 6.0
3 尚燕敏 中国科学院计算技术研究所 6 36 4.0 6.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (7)
节点文献
引证文献  (9)
同被引文献  (41)
二级引证文献  (31)
1953(1)
  • 参考文献(1)
  • 二级参考文献(0)
1983(1)
  • 参考文献(1)
  • 二级参考文献(0)
2001(3)
  • 参考文献(3)
  • 二级参考文献(0)
2003(2)
  • 参考文献(2)
  • 二级参考文献(0)
2015(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2016(2)
  • 引证文献(2)
  • 二级引证文献(0)
2017(3)
  • 引证文献(2)
  • 二级引证文献(1)
2018(11)
  • 引证文献(4)
  • 二级引证文献(7)
2019(14)
  • 引证文献(0)
  • 二级引证文献(14)
2020(10)
  • 引证文献(1)
  • 二级引证文献(9)
研究主题发展历程
节点文献
社交网络
朋友关系
主题模型
PageRank算法
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
通信学报
月刊
1000-436X
11-2102/TN
大16开
北京市丰台区成寿路11号邮电出版大厦8层
2-676
1980
chi
出版文献量(篇)
6235
总下载数(次)
17
论文1v1指导