闫龙

摘 要 微博巨大的用户数量和飞速增长的海量信息带来了微博“信息过载”问题。而目前多数研究主要是解决微博用户关系网络中的用户推荐问题，对于微博信息的推荐还没有行之有效的解决方法。针对上述问题，提出了一种基于微博用户信任关系的微博信息推荐算法，将微博用户关系数据结构化处理并计算用户间信任程度，基于TF-IDF计算微博信息与用户的话题相关度，结合上述因素对用户的微博信息列表进行TopN推荐。实验表明，该方法能够有效解决微博中的“信息过载”问题，提高用户的信息获取效率。

【关键词】微博信息推荐 信任度 话题相关度 信息过载

微博的興起，成为Web2.0 时代一个具有代表性的网络现象，它让人们通过虚拟的网络来获取海量实时的信息，但正是由于用户获取的信息是海量的，从而出现了一个很严重的问题，就是 “信息过载”问题。“信息过载”是指过量信息同时呈现使用户很难从中获取对自己有用的部分，使得信息使用效率降低。推荐系统作为解决信息过载问题的重要手段，是当前解决社交媒体中信息超载问题的最有效的方法之一[1]。

本文的主要工作如下：

（1）利用微博中的社会化标注计算用户相似度，并计算用户信任度。

（2）针对微博特点，提出了MB-StreamRank算法，结合用户信任度、微博信息与用户的话题相关度、用户对微博的操作权重以及时间衰减因素，对用户微博信息进行个性化排序，给出TopN推荐结果。

（3）通过在腾讯微博实际数据集上进行实验，MB-StreamRank算法显示出较好的微博信息推荐性能。……