摘要
近些年来，互联网技术逐年发展，步步攀升，社交平台也随之迅速发展，其中，新浪微博是目前热度排行榜上第一位的一个社交平台，但随着越来越多的用户涌入新浪微博，微博数据日益攀升，不断更迭，用户很难在海量信息中精准捕捉到自己最感兴趣的内容和最需要的讯息，这时就需要在微博中应用个性化推荐来解决信息过载的问题，从而增强用户体验。 本文主要通过用户微博文档挖掘用户兴趣、构建完善的用户兴趣，再利用多任务学习模型为用户推荐最符合用户兴趣要求的前N条微博，全文的主要工作大致可以分为以下几点： (1)本文提出了一个基于主题模型LDA的微博用户兴趣衰减模型。该模型提取了原创微博和非原创微博中隐藏的用户兴趣，并将二者进行融合，完善了用户兴趣组成，更加全面精确地挖掘用户兴趣。此外，该模型考虑时间因素，描述用户兴趣演变过程，体现了用户兴趣随时间的衰减性。该模型相比于传统的LDA模型能更好地挖掘用户兴趣，为下一步的推荐打好基础。 (2)本文提出一个基于多任务学习的用户兴趣度预测模型。本文将用户转发，点赞以及评论某条微博的概率按照不同的权重进行融合，所得到的值定义为用户对该条微博的兴趣度，该模型同时完成转发率、点赞率和评论率的预测进而得到兴趣度。兴趣度反映了用户对某条微博的感兴趣程度，为后续微博推荐提供了依据。 (3)本文提出了一个将用户兴趣衰减模型与用户兴趣度预测模型结合起来用于微博内容的个性化推荐算法。用户兴趣衰减模型的输出作为用户兴趣度预测模型的输入特征，由此将两个模型结合起来，进而完成对用户兴趣度的预测，最后按兴趣程度大小进行排序，兴趣度高的前N条微博被推荐给用户。该模型能精准挖掘用户兴趣，相比于传统的基于微博内容的推荐能更好地提供个性化推荐服务。 通过本文研究，可以帮助用户筛选出自己最想阅读的微博内容，获取用户最需要的微博信息，解决微博内容推荐结果过于单一不能满足用户个性化需求的问题，增强了用户体验。
NETL