题目：微博中时间驱动的个性化推荐

相比于传统社交网络，微博具有更强的信息传播能力及成员组织能力，这种特性使得微博迅速成为当前最为流行的社会媒体之一。作为一种重要信息来源和信息传播途径，微博正深刻地影响着人们的生活方式。同时由于微博具有开放/实时特性，用户不可避免地会遇到信息过载问题。针对微博内容的主动推荐可以解决该问题，但是传统的推荐方法在微博消息分析和用户个性化偏好建模上对时间因素的考虑不足。本文选择新浪微博作为研究载体，研究在考虑时间因素的影响下，用户兴趣偏好的构建和微博消息的排序，并在此基础上，研究如何利用混合推荐技术进行微博消息的推荐。在用户建模方面，本文提出了一种动态用户偏好建模方法，该方法利用主题模型LDA提取用户所发微博消息的主题，采用加入时间权重的基于数据场的聚类方法对微博消息主题进行聚类，用聚类中心来描述用户的兴趣偏好。实验结果表明动态建模方法比非动态方法和不聚类直接使用微博消息主题向量作为用户偏好的方法更精确。在微博消息排序方面，考虑时间因素对微博消息价值的影响，本文提出了一种基于排序学习的微博消息排序方法。经实验验证，加入时间因素的排序策略比没有加入时间因素的排序策略更有效。借鉴混合推荐的思想，给出了微博消息推荐的整体框架：通过构建的动态用户偏好模型来筛选得到用户感兴趣的微博消息，然后直接利用排序学习的方法对用户感兴趣的微博消息进行排序，产生推荐列表。在微博消息个性化推荐算法研究的基础上，设计并实现了一个基于Web的微博消息个性化推荐原型系统。该系统能从新浪微博爬取用户数据，向用户推荐微博消息。