[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

说明书

本发明公开了一种基于用户模型的微博文本推荐方法及其推荐装置，方法包括：获取微博数据，形成微博文档，对微博文档进行预处理；根据LDA主题模型，建立目标用户主题模型，并计算候选微博与目标用户主题模型的匹配度；基于TF‑IDF算法，建立目标用户关键词向量模型，并计算候选微博与目标用户关键词向量模型的匹配度；使用加权平均的方法结合两个匹配度，计算候选微博与目标用户模型的匹配度作为候选微博的评分，并对评分进行排序。装置包括：获取与预处理模块、第一计算模块、第二计算模块和排序模块，本发明能够发现目标用户可能感兴趣的微博信息，并推荐给目标用户，从而加强用户之间的联系以便于提升微博的生命力。

技术领域

本发明涉及数据挖掘、自然语言处理和信息检索领域，尤其涉及一种基于用户模型的微博文本推荐方法(Microblogging Content Recommendation Algorithm，MCRA)及其推荐装置。

背景技术

目前对微博用户建模进行个性化推荐的方法有多种，从侧重点出发考虑大致可以归纳为两种：微博用户关系或微博用户发布文本内容。分析微博用户关系，进行个性化推荐：通过分析微博用户在社交网络中的关系，分析其在社区中的位置，分析其在社区内的用户影响力，通过对影响力进行排名，对微博用户进行用户推荐。分析微博用户发布的文本内容：针对微博用户发布的微博内容，对其进行处理和分析，从而对微博用户进行建模和个性化推荐。通过判断其他用户与此模型的相似度，向用户推荐与其相似度最高的用户或者内容。这种解决方案的核心就是进行用户内容建模。

对用户内容建模方法常用的有传统的统计方法词项频率—逆向文本频率模型(Term Frequency-Inverse Document Frequency,TF-IDF)和主题建模。但传统的内容建模方法TF-IDF，无法体现用户对于潜在主题的兴趣。

主题建模技术主要有潜在语义模型(Latent Semantic Analysis,LSA)、概率潜在语义模型(Probabilisitic Latent Semantic Analysis,PLSA)、隐式狄利克雷分布模型(Latent Dirichlet Allocation,LDA)等。LSA模型将文档从稀疏的高维词空间映射到一个低维的向量空间，使用低维空间刻画同义词，同义词会对应着相同或相似的主题。然而LSA模型没有刻画词项出现次数的概率模型；PLSA模型类似LSA模型的思想，引入了类(主题)和词之间的概率表示，使用最大期望算法(Expectation Maximization Algorithm,EM)与最大似然估计可以获得此模型的参数。此模型在文档层面上没有提供合适的概率模型，使得PLSA模型并不是完备的生成式模型，而必须在确定文档的情况下才能对模型进行随机抽样。

针对PLSA的不足，研究者们提出了隐狄里克雷分布LDA模型。LDA模型引入了两个概率分布，即文档主题概率分布和主题词项概率分布，认为文档是由多主题以某种概率形式组成，主题是由词项以某种概率形式组成，这符合文档的生成过程。LDA主题模型能够较好地反应出用户关注的主题，但这种方法无法避免微博文字数目限制带来的建模不准确。在推荐中单纯使用这种用户主题模型无法达到最好的推荐效果。

发明内容

本发明提供了一种基于用户模型的微博文本推荐方法及其推荐装置，本发明能够在其他微博用户发布的海量微博信息中发现实验目标用户可能感兴趣的微博信息，并推荐给目标用户，从而加强用户之间的联系以便于提升微博的生命力，详见下文描述：

一种基于用户模型的微博文本推荐方法，所述方法包括以下步骤：

获取微博数据，形成微博文档，对微博文档进行预处理；

根据LDA主题模型，建立目标用户主题模型，并计算候选微博与目标用户主题模型的匹配度；

基于TF-IDF算法，建立目标用户关键词向量模型，并计算候选微博与目标用户关键词向量模型的匹配度；