所属栏目：新闻中心发布时间：2026-03-13浏览量:369
河海大学商学院庞庆华团队在《数据分析与知识发现》发表论文《融合微博多维特征和用户动态兴趣的主题推荐研究》，针对微博主题推荐单一化、缺乏新颖性的行业问题，提出了融合微博多维特征与用户动态兴趣的全新主题推荐模型。该模型通过挖掘微博多维度特征、模拟用户兴趣动态变化，结合混合推荐算法完成主题推荐，经真实数据集消融实验验证，模型在F1值、覆盖率、新颖度的综合表现优于单一模型，能在保证推荐准确率的同时，为用户提供更多样、新颖的内容，有效缓解“信息茧房”问题。
当前微博平台信息过载，传统推荐模型多侧重准确性，却易忽略用户需求多样性，且未能充分考虑用户兴趣的动态变化，导致推荐内容单一。为解决这一痛点，研究团队搭建了多维度的主题推荐体系，先利用LDA模型挖掘用户历史微博主题，构建微博-主题与用户-主题矩阵，再从互动、属性、频次三个维度衡量微博，计算其重要度、可信度和新颖度，形成对微博主题的多维度评价。
同时，团队参考艾宾浩斯遗忘曲线，引入指数型衰减函数模拟用户兴趣的遗忘与衰减过程，构建用户动态兴趣模型，通过计算兴趣深浅度和稳定度得到用户动态兴趣得分，再结合修正余弦相似性算法确定用户相似邻居集。最终融合微博多维特征评价与用户动态兴趣分析结果，通过混合推荐算法预测用户对主题的兴趣得分，为用户进行个性化主题推荐。
研究团队以新浪微博166位有效用户的7万余条微博数据为样本开展实验，将所提模型与4种单一模型进行对比。实验结果显示，该模型能兼顾推荐的准确性、多样性与新颖性，其F1值随推荐主题数增加平稳上升，覆盖率显著优于仅基于用户兴趣的模型，新颖度也保持较高水平，突破了传统推荐模型的局限性。
该研究为微博主题推荐提供了新的思路和方法，有效提升了推荐内容的丰富性与个性化程度。研究团队表示，后续将结合深度学习实现自动化调参，并融入用户评论文本信息，进一步提升模型的泛化能力，解决冷启动用户训练样本不足的问题。