[发明专利]一种基于用户模型的微博文本推荐方法及其推荐装置

权利要求书

1.一种基于用户模型的微博文本推荐方法，其特征在于，所述方法包括以下步骤：

获取微博数据，形成微博文档，对微博文档进行分词、向量化、降维处理，在处理后的微博文本中选取包含目标用户在内的，与目标用户有关注关系的用户的微博文本作为建模数据集；

在建模数据集中，根据LDA主题模型对构建出的微博文本向量集合进行训练，获取目标用户的用户-主题概率关系；

将目标用户微博文档、与目标用户有关注关系的用户微博文档，共同构成训练用户关键词向量模型的训练集；

将训练集范围内每个用户发布的内容处理成为微博文档，使用TF-IDF算法计算每个用户文档的词项权重，并对目标用户微博文档中的词项权重进行排序，获取用户关键词向量模型；

输入目标用户的用户-主题概率关系、目标用户的关键词向量模型、候选微博文档；对候选微博文档中的每一条微博，计算用户对候选微博的感兴趣的概率和关键词向量模型；

根据感兴趣的概率和关键词向量模型计算候选微博的评分，并对评分进行排序；

所述根据感兴趣的概率和关键词向量模型计算候选微博的评分，并对评分进行排序的步骤具体为：

获取候选微博的评分后，根据评分对候选微博进行排序，构建目标用户的初始微博推荐列表，对初始微博推荐列表进行冗余处理；

输出冗余处理后的推荐列表。

2.一种基于用户模型的微博文本推荐装置，其特征在于，所述装置包括：

获取与预处理模块，用于获取微博数据，形成微博文档，对微博文档进行分词、向量化、降维处理；

第一计算模块，用于在建模数据集中，根据LDA主题模型对构建出的微博文本向量集合进行训练，获取目标用户的用户-主题概率关系；

第二计算模块，用于将目标用户微博文档、与目标用户有关注关系的用户微博文档，共同构成训练用户关键词向量模型的训练集；将训练集范围内每个用户发布的内容处理成为微博文档，使用TF-IDF算法计算每个用户文档的词项权重，并对目标用户微博文档中的词项权重进行排序，获取用户关键词向量模型；

排序模块，用于输入目标用户的用户-主题概率关系、目标用户的关键词向量模型、候选微博文档；对候选微博文档中的每一条微博，计算用户对候选微博的感兴趣的概率和关键词向量模型；根据感兴趣的概率和关键词向量模型计算候选微博的评分，并对评分进行排序；

所述排序模块还包括：

冗余处理子模块，用于获取候选微博的评分后，根据评分对候选微博进行排序，构建目标用户的初始微博推荐列表，对初始微博推荐列表进行冗余处理；

输出子模块，用于输出冗余处理后的推荐列表。