《表9 不同兴趣来源的R@K性能比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于主题和多重信任关系的微博推荐方法研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

根据实验1的结果可知，无论是最好情况（K=10）还是最坏情况（K=20），本文提出的MR-TMTR方法的P@K、R@K、F1@K性能明显优于CF-LDA方法、MR-HDP方法和SPF方法。主要原因是:MR-TMTR方法利用HDP主题模型进行微博主题挖掘，获取微博文本深层次的语义信息，并通过自动学习主题数目和趋于无限的概率计算，解决了LDA主题挖掘存在的生成主题质量不高和主题间相关性不强的问题；同时，利用关注关系、共同关注关系、共同评论关系、共同转发关系等进行多重信任关系强度计算，综合用户相似度和信任关系强度得到用户感兴趣的群体用户，获取目标用户群体兴趣偏好，综合加权得到用户的主题兴趣偏好，解决了用户兴趣偏移问题，使用户主题兴趣偏好得到有效全面表达，因此，取得了较满意的推荐结果；CF-LDA方法和MR-HDP方法仅仅利用微博内容进行主题挖掘，未考虑用户间通过社交行为形成的信任关系对用户兴趣偏好的积极影响，致使推荐结果不理想；SPF方法融合了用户间关注关系进行直接信任关系计算，未考虑到用户间隐式间接的信任关系对用户兴趣偏好的影响，因此得到的推荐结果不如MR-TMTR方法。此外，MR-TMTR方法取得了比CF-LDA方法和MR-HDP方法更好的推荐结果，说明社会化环境下利用社交关系比利用微博内容进行个性化推荐的效果好，用户社交关系比用户微博内容更能体现用户兴趣偏好。根据实验2的结果可知，用户与其关注用户的共同转发关系对推荐结果的帮助最大，其次是共同评论关系和共同关注关系，最后是关注关系，表明用户间转发行为比评论行为更能体现用户兴趣偏好，显式直接的信任关系（例如，关注关系/被关注关系）并不能很好地评估用户间的兴趣偏好相似度，隐式间接的信任关系（例如，共同转发关系、共同评论关系）对用户兴趣偏好的影响更大，更能体现用户间兴趣偏好，计算用户间信任关系强度更应该关注隐式间接的信任关系。根据实验3的结果可知，社会化环境下群体兴趣偏好对推荐结果的影响更大，说明微博用户间社交行为比微博内容更能体现用户兴趣偏好，设计微博个性化推荐方法，需要充分考虑用户间社交关系以及通过社交行为形成的群体社区。