题目：面向主题的社交网络建模及视频个性化推荐技术研究

随着计算机技术的迅猛发展,尤其是互联网相关技术的日新月异, Face- book、YouTube、新浪微博等社交网络网站日益流行,注册人数逐年指数递增,并 引起了研究人员的高度关注。社交网络网站的生成内容呈现爆炸性增长态势,这些都 为社会计算的研究提供了有利条件。本文重点挖掘社交网络的微观结构,构建面向主 题的加权社交网络模型,以便精确地刻画社交网络用户间的关系图谱,准确分析社交 网络用户在不同主题下的社会影响力。与此同时,系统地研究了基于社交网络平台的 视频个性化推荐算法;并综合利用多种信息资源,研究了视频推荐序列融合算法。具体而言,本文的主要研究工作和创新点如下:(一)为精准度量社交网络用户间不同主题维度下的关系强度,构建了面向主题 的加权社交网络模型。根据社交网络数据的特点,本文首次提出了社交网络用户间不同主题维度下关系 强度度量的通用架构。该架构借助于社交网络用户的个人基本信息、社交网络用户间 的交互活动信息和活动主题等,构建用户间面向主题的关系强度评估图模型。该图模 型的构建主要基于如下两点考虑:(1)对于社交网络用户而言,个人基本信息的相似性从某种程度上决定着二者在 某一特定活动主题下的关系强度;(2)社交网络用户间在某一特定活动主题下交互活动的频繁程度,在某种程度上 也反映出二者在该活动主题下的关系强度。与此同时,为了有效评估社交网络用户间交互活动所属主题,本文提出了基于聚 类层面的交互活动所属主题认定方法。相关实验中,我们分析验证了聚类总数对该算 法性能的影响;并且对比实验结果表明了本算法的可行性和高效性。此外,为了准确 度量社交网络用户间总的关系强度,我们提出了主题权重的概念,即不同主题维度下 的关系强度对于衡量用户间总的关系强度的贡献度是有所差异的。该算法的准确性和 有效性在相关实验中得到了充分验证。 (二)基于面向主题的加权社交网络模型,给出了网络用户在不同主题维度下社 会影响力的度量,并首次提出了全新的基于社交网络的视频个性化推荐算法。 社交网络中用户生成的内容主要包括:用户的个人基本信息、用户间的交互活动 信息等。这些信息在某种程度上真实反映了社交网络用户的兴趣爱好,准确刻画了社交网络用户间的兴趣关联,进而可以对其进行有效挖掘,并应用到视频个性化推荐服 务领域中来。文中将视频个性化推荐服务视为视频项目排序过程,排序的依据为用户 对视频项目的评分。评分标准主要由以下三个主要因素所决定: (1)推荐者对视频项目的推荐力度,即对该视频项目的偏爱度。 用户的视频观看历史是其兴趣爱好的外在表现,所以当某一视频项目与用户观看 历史高度一致时,我们认为该视频项目能很好地契合用户的兴趣点,也就是说用户很 可能偏爱该视频项目。同时,视频项目与用户观看历史一致性的度量维度主要包括: 文本信息、视觉内容信息和统计信息等。 (2)推荐者与被推荐者在所推荐视频项目所属活动主题下的关系强度。 我们有充分的理由认为:推荐者与被推荐者在某一特定活动主题(视频项目所属 活动主题)下的联系越紧密、关系强度越强,那么其所推荐的视频项目就越具有参考 价值。推荐者与被推荐者之间在不同主题维度下的关系强度可根据上述图模型进行有效度量。 (3)视频项目推荐者在视频项目所属主题维度下的社会影响力。 在视频个性化推荐服务中,我们不能忽视所谓的“名人效应”。为此,本文基于 社交网络拓扑结构、用户的个人基本信息、好友之间的交互活动信息等来度量社 交网络用户在不同主题维度下的社会影响力,并提出了相应的社会影响力度量算 法UserRank。 (三)为进一步提高视频个性化推荐服务的质量,充分利用各种信息资源,提出 了多信息多任务视频推荐序列融合算法。 视频个性化推荐就是针对目标用户进行视频项目排序的过程。本算法综合利用多 种信息资源与推荐策略,例如目标用户的兴趣爱好、用户的地点信息、用户的视频观 看历史信息等,分别生成视频推荐序列。随后,提出了多任务视频推荐序列融合算 法,旨在将上述多种视频推荐序列有效融合,并最终向目标用户提供个性化的视频推 荐列表。该算法的新颖之处在于,不仅融入了社交网络用户间不同主题维度下的关系 强度、社交网络用户不同主题维度下的社会影响力,而且在视频推荐序列融合过程中 既考虑了目标用户的个性,又考量了不同用户间的共性。