基于傳播樹的微博推薦模型

摘 要：針對目前微博推薦模型未考慮傳播特征的問題，提出一種基于傳播樹的微博推薦模型。首先利用樹結構對微博傳播特征進行表示，由內容、時間和用戶三方面特征構成樹的節點，以微博的轉發和評論關系作為樹的邊；然后基于節點間關聯關系和層次關系分別計算待評估微博傳播樹與目標用戶每棵微博傳播樹的傳播路徑相似度和傳播層相似度，以此量化兩棵傳播樹間的結構相似度；最后根據相似度大小對所有待評估微博進行排序，生成推薦列表，實現微博推薦。實驗結果表明，與未考慮傳播特征的微博推薦模型相比，該模型在準確率、召回率和F1值上分別提升13.0%、9.6%和10.7%，合理利用微博傳播特征可以提升推薦結果的可靠性，增強用戶體驗感。

關鍵詞：微博推薦；傳播特征；傳播樹；結構相似度

中圖分類號：TP391.3 文獻標志碼：A 文章編號：1001-3695（2023）08-010-2304-07

doi： 10.19734/j.issn.1001-3695.2022.12.0823

Microblog recommendation model based on propagation trees

Xu Jianmin Zhang Zhaoyuan

（School of Cyberspace Security amp; Computer， Hebei University， Baoding Hebei 071000， China）

Abstract：The paper proposed a new microblog recommendation model based on propagation trees to address the issue that the current microblog recommendation models had not considered the propagation feature. Firstly， it used the tree structure to represent the microblog propagation feature， with the content， time， and user features forming the nodes of the tree and the forward and comment relationships of the microblog as the edges of the tree. Then， it calculated the propagation path similarity and propagation layer similarity between the to-be-evaluated microblog propagation tree and each microblog propagation tree of the target user. Based on the association relation and hierarchical relation among nodes， it quantified the structural similarity between the two propagation trees. Finally， it sorted all the to-be-evaluated microblogs according to their similarity and generated recommendation lists to achieve microblog recommendations. The experimental results show that the model improves by 13.0%， 9.6%， and 10.7% in precision， recall， and F₁-value， respectively， compared with the microblog recommendation model without considering the propagation feature. The reasonable use of the microblog propagation feature can improve the reliability of recommendation results and enhance the user experience.

Key words：microblog recommendation; propagation feature; propagation tree; structural similarity

0 引言

微博具有內容更新及時、信息傳播快速的特點，已成為人們獲取信息的重要渠道之一［1］。以新浪微博為例，截至2021年3月底，月活躍用戶數達到5.3億，占所有網民數量的53.6%。微博服務為人們獲取信息帶來了便捷性，但也對用戶造成了“信息迷航”和“信息過載”的困擾。如何在海量信息中為用戶提供感興趣的內容是一個亟需解決的問題［2］，而合理的微博推薦是解決該問題的有效途徑。

現有微博推薦研究多為提取用戶行為、博文內容等特征來獲取用戶興趣偏好，從而挖掘與此偏好相近的微博，但當用戶數據稀疏時，容易出現推薦效果不理想的問題。事實上，微博平臺具有較強的傳播性，微博在傳播過程中形成了自身的傳播特征。內容相似的微博通常會在同一類人群中廣泛傳播，因此微博傳播特征實際上蘊涵了用戶間共同的興趣偏好，對其合理分析與利用有助于提升推薦質量。

考慮傳播特征有利于提升相似微博挖掘的準確性，該理論在謠言檢測領域已得到充分證明。Ma等人［3］利用傳播樹對謠言信息的擴散過程進行建模，提出一種基于傳播樹核的核方法，通過評估傳播樹間的結構相似度來區分四類更細粒度的謠言。Wu等人［4］通過構建微博標記傳播樹來捕獲主題和情感語義特征，將隨機游走圖核與RBF核結合，提出一種基于圖核的混合支持向量機分類器。徐建民等人［5］通過分析微博傳播樹中用戶影響力和情感反饋特征隨轉發和評論關系變化而變化的結構問題，提出一種基于微博傳播樹的路徑樹核謠言檢測模型。上述研究通過分析傳播結構的相似性對謠言與非謠言進行識別，證明了相似的微博具有相近的傳播結構。傳播特征在謠言檢測領域的應用為微博推薦提供了新思路。

綜上所述，本文提出一種基于傳播樹的微博推薦模型，主要貢獻如下：

a）構建了一種融合多維特征的微博傳播樹。每棵傳播樹代表一篇微博的傳播過程，樹中節點由用戶、內容和時間特征組成，樹中邊表示節點間的轉發或評論關系。在節點表示中，為獲取較為全面的用戶特征，依據微博內容和用戶關系對用戶興趣進行擴充，以更好地區分傳播樹間的相似性。

b）提出一種基于傳播樹的微博推薦模型。構建目標用戶歷史微博和待評估微博列表中每篇微博的傳播樹；綜合考慮節點間的關聯關系與層次關系，基于傳播路徑和傳播層計算待評估微博和目標用戶每篇微博的樹結構相似度，對相似度結果求均值得到待評估微博與目標用戶的相似度；依據相似度對待評估微博列表進行排序，為目標用戶推薦相似度較高的微博。

1 相關工作

1.1 基于用戶背景和內容的微博推薦

準確把握用戶興趣偏好是提升推薦質量的關鍵［6］，不同微博用戶的背景存在差異性，但標簽、職業類等信息均能較好地反映用戶興趣。用戶標簽是微博用戶綜合自身職業和興趣愛好等因素總結形成的關鍵詞，具有短文本化和意義化的特點［7］。邢千里等人［8］通過分析用戶間的關注關系與標簽、微博內容的聯系，發現利用標簽進行關注關系預測的效果好于使用微博內容進行預測的效果，表明標簽可以更準確地描述用戶興趣，應用于微博推薦中有利于提升推薦質量。Li等人［9］使用由背景信息構成的多維向量來表示用戶，提出改進的K-means算法來挖掘用戶社區，進而獲取待推薦微博，并通過效用函數對待推薦微博進行排序，實現推薦。然而，許多用戶未添加標簽或標簽數量較少，僅通過用戶標簽難以全面反映用戶興趣。為此，一些學者將用戶標簽與微博內容結合，使推薦效果得到提升［10］。王艷茹等人［11］通過用戶發布微博內容擴充標簽，基于標簽對在用戶集中的概率分布挖掘標簽對語義內聯關系，利用共享熵衡量標簽對在特定連接路徑上的關聯程度，從而獲取標簽對語義外聯關系，綜合考慮兩者以更準確地描述用戶興趣。劉宇東等人［12］基于word2vec技術得到用戶和微博的內容相似度，結合微博受歡迎度等特征獲取最終的推薦微博，并且考慮用戶背景信息來挖掘新用戶和沉默用戶的相似用戶集，緩解冷啟動問題。王戰平等人［13］利用發布、轉發微博內容對用戶標簽進行擴充，通過標簽語義映射和語義相關性計算挖掘深層次用戶興趣，構造排序函數實現微博推薦。事實上，微博平臺中存在許多不活躍用戶，其發博數量少且個人信息不完善，而上述微博推薦方法僅從用戶自身興趣角度出發實現推薦，難以有效挖掘該類用戶的興趣偏好。

1.2 基于用戶社交關系的微博推薦

為解決上述問題，相關學者開始考慮微博社交網絡中用戶間存在的各種聯系，利用社交關系提升推薦效果。李吉等人［14］在分析微博內容相似度與用戶屬性相似度的同時，通過用戶間共同關注和溝通頻率計算用戶信任度，提出一種融合相似度與信任度的微博推薦模型。Ma等人［15］采用標簽檢索策略對用戶進行加標，在挖掘標簽間內聯和外聯關系的同時，通過用戶間關注和粉絲相似度來度量用戶間社交關系，提出一種融合標簽關聯關系與用戶社交關系的微博推薦方法。Gao等人［16］提出一種混合推薦方法，根據擴展的用戶興趣標簽和用戶興趣主題構建新的推薦策略，結合協同過濾獲得候選微博，提取微博質量、用戶對發文者的興趣等異質性特征描述候選微博，通過深度神經網絡對微博進行預測排名。單曉紅等人［17］依據用戶歷史微博內容獲取用戶興趣偏好，根據微博和用戶信息計算話題重要度、信任度和新鮮度，通過修正余弦相似度計算相似用戶集，與話題多維特征結合形成混合推薦算法，預測并排序用戶對話題的偏好程度。上述方法取得了較好的推薦效果，但僅考慮了微博內容等靜態特征，均忽略了微博傳播過程中蘊涵的潛在特征，并未全面挖掘微博特征信息。

參考上述研究，本文既考慮以往微博推薦中重點分析的內容、標簽等特征，又考慮微博在傳播時形成的結構以及各要素間的相互關系，對兩者進行了有效融合。

2 微博傳播樹的構建

2.1 微博傳播樹拓撲結構

2.2 微博傳播樹節點

2.2.1 內容特征

2.2.2 時間特征

在微博傳播過程中，源微博與其轉發微博、評論內容均伴隨各自的發布時間，用戶對源微博的轉發或評論越及時，越能說明用戶對源微博內容的關注程度高，或與源微博發布用戶的關系更為緊密，考慮時間特征可對相關用戶進行一定程度的區分。

2.2.3 用戶特征

2.2.4 重要關注用戶標簽挖掘

在用戶關注列表中，對用戶影響較強的關注用戶更能代表用戶興趣［24］，可提取重要關注用戶的標簽對目標用戶興趣特征進行補充。人們傾向于和自己相似的人形成關系，相似性與關系強度正相關［25］，與目標用戶關系越緊密的關注用戶，對目標用戶造成的影響也越大。基于此，本文通過用戶間關系強度挖掘目標用戶關注列表中的重要用戶。用戶關系強度從目標用戶對其關注用戶的交互強度和目標用戶與其關注用戶的關注相似度兩方面得到。

2.2.5 用戶興趣特征表示

2.2.6 興趣特征詞擴充

對于自身添加標簽的微博用戶，其標簽數量一般為5、6個［27］。在微博平臺中，用戶自定義標簽數量限制在10個以內，為獲取充足的興趣詞來表征用戶興趣，將擴充后的興趣特征詞總數設為10，并依據權重大小進行排序。部分用戶的興趣詞擴充前后對比如表1所示。

3 基于傳播樹的微博推薦模型

3.1 傳播樹結構相似度

3.1.1 傳播路徑相似度

3.1.2 傳播層相似度

3.1.3 結構相似度計算

3.2 推薦得分計算

在本文模型中，微博傳播樹的相似度計算是實現推薦的關鍵步驟，依據結構相似度可以獲得每一篇待評估微博關于目標用戶的推薦得分。在傳播樹的每條傳播路徑上，相應用戶的發布內容存在明顯的上下文關聯關系，例如“詹姆斯成為NBA歷史得分王”“恭喜！”“詹姆斯還是強”這條傳播路徑，包含了三位微博用戶的文本內容，可以看出這些用戶的發布內容在語義上聯系緊密。依次訪問傳播樹中從根節點到每個葉子節點的路徑上出現的節點，可計算不同傳播樹間的傳播路徑相似度，體現了傳播樹深度上的相似性；在傳播樹的不同傳播層上，每層用戶對相鄰上層用戶的發布內容進行了直接反饋，其內容主題較為接近，形成了水平方向的層次關系。例如在關于NBA球星利拉德獲得三分大賽冠軍的微博中，“三分賽一年比一年差”“懷念當年水花一起的比賽”“NBA知道他的三分賽有多水”三條內容均為源微博下的第一跳評論，內容語義較為接近，且相關用戶均具有NBA鐵粉徽章，與源微博博主關系緊密，數據價值較高。依次訪問傳播樹中每一層上的各個節點，可計算不同傳播樹間的傳播層相似度，體現了傳播樹廣度相似性。通過分析傳播樹間的深度相似性和廣度相似性，對傳播樹結構相似度進行有效計算，進而獲取更為準確的微博推薦得分，依據推薦得分進行微博推薦。

4 實驗分析

4.1 實驗數據

實驗所需數據通過Python爬蟲程序從新浪微博上爬取獲得，首先從美食、影視、游戲、科技和體育五個領域中篩選目標用戶，獲取目標用戶基本信息及其2021年6～9月的微博內容；其次爬取與上述微博相關的評論、轉發內容以及轉發、評論用戶的基本信息；最后爬取所有用戶的交互數據與關注數據。去重之后該數據集共包含9 406條用戶基本信息，184 067條微博數據，145 733條點贊記錄，181 609條用戶關注信息等。將目標用戶6～8月的微博內容作為目標用戶微博集，9月的微博內容作為待評估微博集。

4.2 評價指標

4.3 實驗參數和閾值設定

4.3.1 交互行為權重參數的確定

利用層次分析法（analytic hierarchy process，AHP）中一致性檢驗和成對比較矩陣方法［29］來確定轉發、評論和點贊三種交互行為的權重。對三種交互行為兩兩之間進行比較，構建交互行為判定矩陣，如表2所示。

4.3.2 權重參數α的確定

從圖4可知，α取值為0時，即計算傳播樹節點相似度時僅考慮內容特征，所得推薦效果最差；當α取值為1時，模型準確率得到較大提升。說明相較于僅考慮內容特征，用戶特征對推薦結果產生的影響更大。當α取值為0.6時，表示計算節點相似度時既考慮了內容特征又考慮了用戶特征，模型的推薦效果達到最優，故將參數α的值設定為0.6。

4.3.3 近義詞閾值θ的確定

本文利用word2vec相關的API來計算興趣特征詞間的語義相似度，其中CBOW和skip-gram均為word2vec模型中對文本進行向量表示的方法，鑒于skip-gram獲取到的詞向量更細致，適用于數據量較少的語料庫，因此優先學習skip-gram語言模型。通過對微博語料進行整理訓練，將詞映射到對應的特征向量中，詞向量維數保持默認值100，發現閾值θ在0.7及以上能較好地區分出是否為近義詞。表3展示了幾組興趣特征詞的相似度結果。

從表3可知，相似度超過0.7的興趣詞組合同屬一個領域且聯系緊密。在相似度低于0.7的興趣詞組合中，美劇和電影都屬于影視作品，但在制作方式等方面相差較大，不能算做同類興趣詞；在華為和小米這組興趣詞組合中，基于語料的上下文語義識別出這組詞的關聯度較高，但仍存在一定差異，相似度結果略低于0.7；而攝影師、運動員與電影、游戲均屬于不同領域，詞義相差較大，不屬于同類興趣詞。實驗結果表明，閾值θ設定為0.7及以上具有一定的合理性。

4.4 對比實驗

為驗證本文模型的有效性，選取其他四種推薦模型作為對比實驗，如表4所示。

在表4中，CABMRM模型［13］從用戶背景和微博內容兩方面綜合考慮用戶興趣偏好，依據待評估微博內容與用戶興趣的相關性實現微博推薦。USMRM模型［15］采用標簽擴充方法對用戶進行加標，綜合考慮標簽間關聯關系和用戶社交關系。TRAUPM模型［30］綜合考慮微博主題和用戶信息（背景信息、偏好信息等）兩方面內容，結合用戶主題影響力及用戶偏好實現微博推薦。為驗證本文對微博傳播特征應用的有效性，提出PFMRM模型，該模型依據微博轉發、評論過程中傳播節點間的相似度實現微博推薦，通過傳播節點來表示微博的傳播特征，但未考慮微博的傳播結構，節點間并不存在通路聯系，屬于本文模型的變式。PTMRM是本文提出的推薦模型，依據傳播樹結構相似度實現微博推薦，實驗結果如表5～7所示。

從表5～7可以看出，與未考慮傳播特征的CABMRM、USMRM和TRAUPM相比，本文模型均取得了更好的實驗效果。主要原因為：CABMRM利用微博內容對用戶標簽進行擴充，并考慮了標簽間的語義相似度，但當微博內容較為稀疏時，會導致興趣特征挖掘不充分，從而影響推薦準確率。USMRM在分析用戶自身數據的同時，結合用戶社交關系來補充用戶興趣特征，從而更詳細地描述用戶興趣，該模型的實驗性能總體也略好于CABMRM。TRAUPM利用主題模型計算微博社交網絡中用戶間的相似性，通過主題相關性得到更為準確的用戶偏好表示，同時依據用戶社交關系和微博信息得到用戶主題影響力，結合主題影響力與用戶偏好進行推薦，其推薦效果略好于USMRM，但對微博自身特征的挖掘不夠充分。本文模型通過引入傳播特征，極大緩解了數據稀少對推薦結果產生的不利影響，使推薦效果得到改善。

本文模型的性能也優于同樣考慮微博傳播特征的PFMRM。主要原因為：PFMRM忽略了微博傳播形成的內部結構和該結構中節點間的差異，不同微博所屬的傳播節點兩兩之間進行相似度計算，導致每個傳播節點都是等權重地參與相似度計算中。然而在微博的轉發和評論過程中存在一些干擾數據，雖然其與源微博對應同一主題，但在內容上與源微博相差較大，若不分析微博的上下文關系和層次關系，很難將這些節點的內容關聯到一起，對推薦結果造成誤差。并且，來自相同發布渠道的微博，在微博傳播過程中會存在相似的傳播通路，具有相似的結構特征。本文提出的傳播樹相似度計算方法分別從路徑和層兩個角度進行分析，使得最終的相似度計算中根節點和多分支節點的權重占比更高，這些節點與源微博的相關度更高，一定程度上削弱了無關節點的影響，相似度計算更為準確。綜合上述因素，分析傳播樹的結構特性有利于提升推薦效果。

4.5 擴充用戶興趣特征對模型的影響

為驗證擴充用戶興趣詞后對模型的實驗效果產生正面影響，設置沒有擴展用戶興趣特征的對比模型（Ⅱ），實驗結果如表8～10所示。

從表8～10的實驗數據可以看出，在未擴充用戶興趣特征的情況下，相比原有模型的三項評價指標均有較大下滑，尤其在準確率方面性能下降得最多，證明了全面合理地考慮用戶興趣特征有助于提升微博推薦質量。

5 結束語

本文從傳播特征的視角出發對微博推薦進行研究，提出一種基于傳播樹的微博推薦模型。綜合考慮了用戶特征、內容特征和時間特征，同時利用微博的轉發和評論關系構建傳播樹，通過傳播路徑和傳播層得到傳播樹結構相似度，依據結構相似度的大小從待評估微博列表中篩選與目標用戶微博最相近的微博進行推薦。實驗結果表明，與現有未考慮傳播特征的微博推薦模型相比，本文模型在推薦效果上有較大提升。然而本文模型也存在不足之處，不同微博的傳播過程差異較大，存在許多噪聲數據，如何對微博適配最佳的傳播樹以及如何減少時間復雜度需要在后續工作中進行有針對性的研究，以進一步提升模型的準確率。

參考文獻：

［1］崔競烽，鄭德俊，洪誠，等. 高參與度科普類微博知識內容價值共創研究［J］. 圖書情報工作，2021，65（16）： 14-24. （Cui Jingfeng，Zheng Dejun，Hong Cheng，et al. Research on knowledge content value co-creation in popular science microblogs with high engagement levels［J］.Library and Information Service，2021，65（16）：14-24.）

［2］陳輝. 一種多維多粒度用戶興趣模型研究［J］. 小型微型計算機系統，2017，38（12）： 2785-2790. （Chen Hui. Study of user interest model at multiple dimensions and multiple granularities［J］. Journal of Chinese Computer Systems，2017，38（12）： 2785-2790.）

［3］Ma Jing，Gao Wei，Wong K F. Detect rumors in microblog posts using propagation structure via kernel learning［C］// Proc of the 55th Annual Meeting of the Association for Computational Linguistics. Stroudsburg，PA： Association for Computational Linguistics，2017： 708-717.

［4］Wu Ke，Yang Song，Zhu K Q. False rumors detection on Sina Weibo by propagation structures［C］// Proc of the 31st International Conference on Data Engineering. Piscataway，NJ： IEEE Press，2015： 651-662.

［5］徐建民，孫朋，吳樹芳. 傳播路徑樹核學習的微博謠言檢測方法［J］. 計算機科學，2022，49（6）： 342-349. （Xu Jianmin，Sun Peng，Wu Shufang. Microblog rumor detection method based on propagation path kernel learning［J］. Computer Science，2022，49（6）：342-349.）

［6］郁友琴，李弼程. 基于多粒度文本特征表示的微博用戶興趣識別［J］. 計算機科學，2021，48（12）： 219-225. （Yu Youqin，Li Bicheng. Microblog user interest recognition based on multi-granularity text feature representation［J］. Computer Science，2021，48（12）： 219-225.）

［7］劉海鷗，孫晶晶，張亞明，等. 在線社交活動中的用戶畫像及其信息傳播行為研究［J］. 情報科學，2018，36（12）： 17-21. （Liu Hai’ou，Sun Jingjing，Zhang Yaming，et al. Research on user portrayal and information dissemination behavior in online social activities［J］. Information Science，2018，36（12）： 17-21.）

［8］邢千里，劉列，劉奕群，等. 微博中用戶標簽的研究［J］. 軟件學報，2015，26（7）： 1626-1637. （Xing Qianli，Liu Lie，Liu Yiqun，et al. Study on user tags in Weibo［J］. Journal of Software，2015，26（7）： 1626-1637.）

［9］Li Chaoyi，Zhang Yangsen. A personalized recommendation algorithm based on large-scale real micro-blog data［J］. Neural Computing and Applications，2020，32： 11245-11252.

［10］王嶸冰，安維凱，馮勇，等. 基于標簽和PageRank的重要微博用戶推薦算法［J］. 計算機科學，2018，45（2）： 276-279. （Wang Rongbing，An Weikai，Feng Yong，et al. Important micro-blog user recommendation algorithm based on label and PageRank［J］. Computer Science，2018，45（2）： 276-279.）

［11］王艷茹，馬慧芳，劉海姣，等. 基于多標簽語義關聯關系的微博用戶興趣建模方法［J］. 計算機工程與科學，2018，40（11）： 2067-2073. （Wang Yanru，Ma Huifang，Liu Haijiao，et al. A microblog user interest modeling method based on multi-tag semantic correlation［J］. Computer Engineering amp; Science，2018，40（11）： 2067-2073.）

［12］劉宇東，孫豪，蔣運承. 融合內容相似度與多特征計算的個性化微博推薦模型［J］. 計算機科學，2020，47（10）： 97-101. （Liu Yudong，Sun Hao，Jiang Yuncheng. Personalized microblog recommendation model integrating content similarity and multi-feature computing［J］. Computer Science，2020，47（10）： 97-101.）

［13］王戰平，夏榕. 基于社會化標簽挖掘的微博內容推薦方法研究［J］. 情報科學，2021，39（5）： 91-96. （Wang Zhanping，Xia Rong. Micro-blog content recommendation method based on social tag mining［J］. Information Science，2021，39（5）： 91-96.）

［14］李吉，黃微，郭蘇琳. 一種基于相似度和信任度融合的微博內容推薦方法［J］. 圖書情報工作，2018，62（11）： 112-119. （Li Ji，Huang Wei，Guo Sulin. A method of micro-blog content recommendation based on the fusion of similarity and trust degree［J］. Library and Information Service，2018，62（11）： 112-119.）

［15］Ma Huifang，Jia Meihuizi，Zhang Di，et al. Combining tag correlation and user social relation for microblog recommendation［J］. Information Sciences，2017，385： 325-337.

［16］Gao Jiameng，Zhang Chunxia，Xu Yanyan，et al. Hybrid microblog recommendation with heterogeneous features using deep neural network［J］. Expert Systems with Applications，2021，167： 114191.

［17］單曉紅，崔鳳艷，劉曉燕. 融合話題多維特征和用戶興趣偏好的微博話題推薦研究［J］. 現代情報，2022，42（5）： 69-76，97. （Shan Xiaohong，Cui Fengyan，Liu Xiaoyan. Research on microblog topic recommendation integrating topic multidimensional features and user interest preferences［J］. Journal of Modern Information，2022，42（5）： 69-76，97.）

［18］仲兆滿，管燕，胡云，等. 基于背景和內容的微博用戶興趣挖掘［J］. 軟件學報，2017，28（2）： 278-291. （Zhong Zhaoman，Guan Yan，Hu Yun，et al. Mining user interests on microblog based on profile and content［J］. Journal of Software，2017，28（2）： 278-291.）

［19］Tang Huanling，Zhu Hui，Wei Hongmin，et al. Representation of semantic word embeddings based on SLDA and word2vec model［J］. Chinese Journal of Electronics，2022，32（3）： 647-654.

［20］Duan Xulei，Zhang Yangsen，Sun Yizhuo. Research on sentence vector representation and similarity calculation method about microblog texts［J］. Computer Engineering，2017，43（5）： 143-148.

［21］鄧樂樂，黃俊，岳春擂. 融合項目流行度與用戶間多相似度的協同過濾算法［J］. 小型微型計算機系統，2022，43（8）： 1631-1637. （Deng Lele，Huang Jun，Yue Chunlei. Collaborative filtering algorithm integrating item popularity and multi-similarity among users［J］.Journal of Chinese Computer Systems，2022，43（8）：1631-1637.）

［22］趙榮霞. 基于用戶畫像的WordPress博文推薦研究［D］. 北京： 北京交通大學，2018.（Zhao Rongxia. Research on WordPress blog recommendation based on user profile［D］. Beijing： Beijing Jiaotong University，2018.）

［23］Ma Yunfei，Zeng Yi，Ren Xu，et al. User interests modeling based on multi-source personal information fusion and semantic reasoning［C］// Proc of the 7th International Conference on Active Media Technology. Berlin： Springer-Verlag，2011： 195-205.

［24］Deng Lu，Jia Yan，Zhou Bin，et al. User interest mining via tags and bidirectional interactions on Sina Weibo［J］. World Wide Web，2018，21（2）： 515-536.

［25］McPherson M，Smith-Lovin L，Cook J M.Birds of a feather：homophily in social networks［J］. Annual Review of Sociology，2001，27（1）： 415-444.

［26］徐建民，韓康康，何丹丹，等. 融合多種轉發習慣的微博轉發預測［J］. 情報雜志，2020，39（3）： 123-129，155. （Xu Jianmin，Han Kangkang，He Dandan，et al. Microblog retweet prediction based on multiple retweet habits［J］. Journal of Intelligence，2020，39（3）： 123-129，155.）

［27］蔣武軒，易明，汪玲. 融合用戶興趣漂移特征的個性化推薦研究［J］. 情報理論與實踐，2022，45（1）： 38-45，37. （Jiang Wuxuan，Yi Ming，Wang Ling. Research on personalized recommendation combining user interest drift［J］. Information Studies： Theory amp; Application，2022，45（1）： 38-45，37.）

［28］馬慧芳，張迪，趙衛中，等. 基于超圖隨機游走標簽擴充的微博推薦方法［J］. 軟件學報，2019，30（11）： 3397-3412. （Ma Huifang，Zhang Di，Zhao Weizhong，et al. Microblog recommendation method based on hypergraph random walk tag extension［J］. Journal of Software，2019，30（11）： 3397-3412.）

［29］Ratiranjian J，Biswajeet P，Ghassan B，et al. Integrated model for earthquake risk assessment using neural network and analytic hierarchy process： Aceh province，Indonesia［J］. Geoscience Frontiers，2020，11（2）： 613-634.

［30］Bao Fuguang，Xu Wenqian，Feng Yao，et al. A topic-rank recommendation model based on microblog topic relevance amp; user preference analysis［J］. Human-Centric Computing and Information Sciences，2022，12（10）： article No.10.