面向社交网络的群组发现和推荐研究

发布时间：2020-07-29 23:52

【摘要】：随着信息技术的飞速发展,互联网中的数据逐渐呈指数级增长,为了从海量数据中获取有效信息,满足不同用户需求的推荐系统应运而生。近年来,推荐系统应用于社交网络中推动服务发展的案例屡见不鲜,因此,开展如何将社交信息融入推荐系统,提高面向社交网络的群组推荐效果,已成为一个研究热点。但是,目前大多数面向社交网络的群组发现方法存在忽略用户显隐式偏好信息有机融合的问题,导致了群组划分不合理。此外,社交网络推荐系统大都只考虑用户的历史偏好,而忽略了用户偏好的时间迁移性问题,最终给推荐结果带来了或多或少的负面影响。针对以上问题,本文对面向社交网络的群组发现和推荐开展研究,主要工作有:从群组发现角度,针对目前大多数面向社交网络的群组发现方法中存在忽略用户显隐式偏好信息有机融合的问题,提出了一种基于多视图学习的社交网络群组发现方法。该方法首先根据用户历史活动信息提取多维度的用户显式偏好信息,采用动态主题模型动态生成和更新用户偏好,然后,结合多视图来融合用户显式偏好信息,为获取更多的用户信息,利用无监督学习训练得出隐式偏好信息,最后,利用用户相似度矩阵划分群组。通过仿真实验对比得出该方法提高了群组内用户的相似度和推荐的精确度,并降低了推荐的误差率。从群组推荐角度,针对现有大多数面向社交网络的群组推荐方法忽略了用户偏好的时间迁移性问题,提出了一种基于深度学习的社交网络群组推荐方法。该方法首先挖掘出用户的历史偏好信息,将偏好信息基于主题内容进行分层聚类,基于LDA主题模型获取用户偏好的主题分布,通过时间函数调整权重来动态获取用户偏好,然后,基于深度语义网络提取用户与推荐服务的特征,考虑到用户的社交关系会影响用户的服务选择,本文建模了用户间的交流过程,它被转换为深度神经网络来求解得出用户服务评分,最后,根据组内成员的服务评分来完成群组推荐。仿真实验的结果表明,该方法缓解了用户偏好的静态限制,提高了推荐的精度和准确率。本文基于以上方法理论,设计了面向社交网络的群组推荐原型系统,给出了一个模拟微博客户端的群组服务推荐应用示范。详细介绍了该系统的各组成部分、操作流程以及系统结构,验证了本文所提出方法和理论的可行性,展示了基于多视图学习的社交网络群组发现方法和基于深度学习的社交网络群组推荐方法在真实社交网络下的推荐效果。该原型系统实现了本文方法理论和实际应用场景的友好结合,通过效果展示体现了其有效性与实用性。
【学位授予单位】：南京邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.3;TP393.0
【图文】：

BP神经网络,三层

利用组用户之间的连接来挖掘服务-用户对集合，然后，在其执行协作过滤以生成基群体的推荐列表。之后，提出了一种新的聚合函数，将所有兴趣子群体的推荐列表终的群推荐结果。 BP 神经网络）BP 神经网络BP(Backpropagation)神经网络是一种多层的前馈神经网络，其主要的特点是：信号播的，而误差是反向传播的[71-73]。具体来说，对于只含一个隐层的神经网络模型：应为 n 个特征。BP 网络是在输入层与输出层之间增加若干层(一层或多层)神经元，元称为隐单元，它们与外界没有直接的联系，但其状态的改变，则能影响输入与输关系，每一层可以有若干个节点。定义三层的 BP 神经网络结构，如图 2.1 所示：

单视图,召回率,预估值,精度

u= u u. 方法如下，其中代表群组对项目的预估值，向量代表RMSE = √ ( ) . ）是表示改善推荐精度的百分比：a = . 与分析文所提出算法的性能，本文选择与 TMLCD 算法[11]和 UISA分析。的方法与单视图的方法进行推荐比较，用精度和召回率来评

对比图,对比图,误差对比,不同群

名称关注收藏点赞评论共同朋友标记数量 0.298 0.254 0.167 0.132 0.097 0.052表 3.3 推荐效果改善对比群组人数 TMLCD UISA UMSVL50 1.96 2.56 3.02100 1.87 2.19 2.69200 2.26 1.95 2.57400 1.56 1.53 2.38500 1.48 1.37 2.06出了在不同群组规模下 3 种方法的推荐效果改善对比。从表 3 中可果优于其它两种方法。现方法精度及误差对比结果如图 3.2 和图 3.3 所示：

【相似文献】