摘要
该文在分析总结影响微博用户推荐的四大类信息,包括用户的内容信息、个人信息、交互信息和社交拓扑信息的基础上,提出一个基于排序学习的微博用户推荐框架,排序学习的本质是用机器学习中的分类或回归方法解决排序问题,该框架可以综合各类信息特征进行用户推荐。实验结果表明:(1)融合多个特征综合推荐通常可以取得更好的推荐效果;(2)基于用户个人信息、交互信息、社交拓扑信息的推荐效果均好于基于用户内容的推荐效果。
This paper summarized four types of recommendation-related user information from micro-blog system： the user content（UC）, the personal information（PI）, the interaction（IA） and the social topological information （ST）. Based on the four types of information, a user recommendation framework using learning-to-rank technology is built in the paper. Experiment results show： （1） using several features to recommend usually get a better result than using a single feature~ （2） recommendation performance based on UC, PI, IA respectively is better than that based on UC.
出处
《中文信息学报》
CSCD
北大核心
2013年第4期96-102,共7页
Journal of Chinese Information Processing
基金
国家自然科学基金资助项目(90920010
61100152)
网络文化与数字传播北京市重点实验室开放课题资助项目(5026035406)
核高基科技重大专项子课题资助项目(2010ZX01037-001-002-03)
关键词
排序学习
用户推荐
微博
learning to rank
user recommendation
micro-biog.
