区分用户专业度的群组推荐研究

作     者：王楚涵 

作者单位：深圳大学 

学位级别：硕士

导师姓名：杨辰

授予年度：2022年

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：群组推荐 用户分类 用户专业度 准确性 多样性 

摘      要：近年来,线上群组在社交网站中开始兴起和流行,并在用户的社交参与中起到了重要作用。线上群组改变了用户互动和交流的形式,提升了信息扩散和知识共享的效率。然而,社交网络大量的群组使用户和平台面临着严重信息过载问题。如何准确刻画用户对于线上群组的准确需求和偏好,帮助用户找到感兴趣的群组,是现阶段相关研究的主要焦点。 先前的群组推荐方法虽然满足了用户一定程度的推荐需求,但仍存在诸多问题和挑战。一方面,社交平台存在不同类型的用户,其行为模式、兴趣特征和对推荐的需求具有差异性,针对其需求提供有针对性的推荐机制是增强用户满意度的关键,而通过用户划分确定其需求类型以及相适应的推荐机制的设计在目前还亟需完善。另一方面,线上群组中用户历史交互、群组标签等核心兴趣数据较为稀疏,如何充分利用群组的辅助信息,例如描述、类别等信息,设计语义挖掘、关联挖掘等特征提取方案,对于深入且全面的用户偏好发现与建模起到至关重要的作用。 针对用户在选择群组时的需求特征划分和分类型推荐问题,本文提出将专业度指标将系统中的用户划分为聚焦型用户群体和一般型用户群体。通过对于用户行为数据的深入分析,刻画了不同类型用户的特征和对于推荐的特异性需求。在分类型推荐研究中,对于聚焦型用户,推荐算法主要需要满足其准确性需求,群组的精细化表征和相关性群组的识别是需要解决的重点问题;对于一般型用户则需要重点满足其多样性需求,在保证基本预测准确度的基础上实现推荐结果的多样性,帮助用户突破信息茧房效应。本文针对用户特征和需求的分析,在真实的线上群组数据集中识别并划分了两类用户群体,并为后文针对两类用户的推荐模型的构建和验证提供了支撑。 针对聚焦型用户的准确性需求问题,提出一种基于标签关联和重要度建模的推荐方法。通过标签的语义关系实现标签拓展,同时利用互信息模型构建标签与描述的关系,实现对标签的重要程度建模,从而有效避免了数据稀疏问题并提升群组表征的精细化程度。在基于Meetup真实线上群组数据划分的聚焦型用户群体上进行了验证,实验结果表明本文方法有效提升了推荐的准确性。 针对一般型用户的多样性需求问题,提出一种基于类别信息和用户潜在偏好的推荐方法。通过群组类别关联发现用户潜在的群组偏好,同时改进传统的偏序假设并构建了用户对群组的细粒度偏好关系,从而实现用户多样性偏好的表达。在基于Meetup真实线上群组数据划分的一般型用户群体上进行了验证,实验结果表明本文方法在保证群组推荐准确性的同时,提升推荐的多样性。 总体上,本文针对用户在群组选择的需求特征上进行了深入探讨,基于用户在专业度上的差异进行了用户类型划分并分析了用户的推荐需求,设计了相应的推荐机制,实现了对于社交平台的广大用户群体的个性化决策支持,为社交平台的智能化管理和服务模式提供了信息技术支持。值得注意的是,用户的类型并非保持不变,而本文的两种推荐机制并不存在互斥性。事实上,多种推荐服务机制和策略的共存,丰富了社交平台中的用户选择范围和方式,改变了传统的推荐方法在用户兴趣识别中的笼统做法,为用户兴趣迁移和需求转化提供了支持。在未来可以继续就用户在专业度差异上的转变机制进行深入探索,例如考虑用户兴趣迁移的适应性推荐策略等。