个性化推荐中关于专家用户的研究

发布时间：2017-03-21 01:05

  本文关键词：个性化推荐中关于专家用户的研究，由笔耕文化传播整理发布。

【摘要】：随着互联网的发展,信息爆炸的时代已经到来,人们往往会遭受到很多无用信息带来的困扰。个性化推荐系统的重要性逐渐凸显出来,因为它不仅可以帮人们过滤掉很多无用的信息,而且商家也可以通过虚拟营销增加他们的收入。因此它吸引了很多来自工业界和学术界人士对个性化推荐算法的研究。近年来,随着社交网络的快速发展,基于社交网络的个性化推荐算法已成为推荐领域的主要研究方向。冷启动和数据稀疏两大问题是个性化推荐算法研究中不可避免的挑战,它们会严重影响推荐算法的整体性能。在基于社交网络的个性化推荐算法研究中,人们往往将多种用户之间的社会关系加入推荐算法,减轻用户冷启动给个性化推荐带来的不良影响。然而传统方法大多使用的是用户间的显性关系,如朋友关系。实际上冷启动用户很难有足够多的显性关系供算法学习。鉴于此,本文提出了将用户间的隐性关系——专家关系用于个性化推荐,即利用冷启动用户感兴趣领域的专家来学习用户偏好,主要工作分为两部分：1)当数据集中标注了哪些是专家用户时,本文利用兴趣圈中的朋友和专家优化个性化推荐算法。兴趣圈由访问某一类别商品的用户群及他们之间的社会关系构成,不同用户访问同一类别商品表明他们对此类别具有相似兴趣。算法通过设计朋友关系和专家关系的正则化项来约束矩阵分解目标函数,提高推荐的准确度。并且在Yelp竞赛的真实数据集上做了充分的实验来验证算法效果。2)在数据集中没有给出专家用户的情况下,首先根据信息传播理论和用户评分记录提出了一种无监督的专家发现方法。然后将发现的专家对用户的影响融合到目标函数中来优化个性化推荐算法。最后在Yelp和Epinions两个数据集上做了大量的实验,验证算法对用户评分预测的准确度以及在冷启动用户上算法预测的准确度。
【关键词】：社交网络 兴趣圈 专家 个性化推荐 冷启动用户
【学位授予单位】：中国科学技术大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 绪论10-18
• 1.1 研究背景11-12
• 1.2 个性化推荐研究及应用12-15
• 1.2.1 国内外研究现状12-14
• 1.2.2 个性化推荐的应用14-15
• 1.3 研究动机15
• 1.4 研究内容15-16
• 1.5 本文组织结构16-18
• 第2章 相关工作概述18-26
• 2.1 个性化推荐算法18-23
• 2.1.1 基于内容的推荐算法18-19
• 2.1.2 基于关联规则的推荐算法19-20
• 2.1.3 基于协同过滤的推荐算法20-22
• 2.1.4 基于社交网络的推荐算法22-23
• 2.2 矩阵分解模型介绍23-25
• 2.2.1 基本矩阵分解23-24
• 2.2.2 概率矩阵分解24-25
• 2.3 本章小结25-26
• 第3章 基于兴趣圈中社会关系的推荐算法26-40
• 3.1 用户冷启动问题26-27
• 3.2 基于兴趣圈的社会关系27-29
• 3.3 基于兴趣圈的推荐算法29-32
• 3.3.1 基于兴趣圈的基本矩阵分解29
• 3.3.2 基于朋友关系的正则化项设计29-30
• 3.3.3 基于专家关系的正则化项设计30-31
• 3.3.4 模型参数推导以及算法复杂度分析31-32
• 3.4 实验结果及分析32-38
• 3.4.1 数据集32-33
• 3.4.2 评价指标33-34
• 3.4.3 对比实验34-38
• 3.5 本章小结38-40
• 第4章 基于无监督专家发现的个性化推荐40-56
• 4.1 专家发现40-42
• 4.1.1 构建社交网络41
• 4.1.2 基于朋友关系和基于用户相似性的专家发现41-42
• 4.2 基于专家发现的推荐算法42-45
• 4.2.1 无监督专家的正则化项设计43-44
• 4.2.2 基于兴趣圈的专家优化推荐算法44
• 4.2.3 模型参数推导以及算法复杂度分析44-45
• 4.3 实验结果及分析45-54
• 4.3.1 数据集45-46
• 4.3.2 对比实验46-50
• 4.3.3 用户冷启动实验50-52
• 4.3.4 模型参数分析52-54
• 4.4 本章小结54-56
• 第5章 工作总结及展望56-58
• 5.1 全文总结56-57
• 5.2 展望未来57-58
• 参考文献58-62
• 致谢62-64
• 在读期间发表的学术论文与取得的其他研究成果64

【相似文献】

中国期刊全文数据库 前10条

1 徐义峰;徐云青;刘晓平;;一种基于时间序列性的推荐算法[J];计算机系统应用;2006年10期

2 余小鹏;;一种基于多层关联规则的推荐算法研究[J];计算机应用;2007年06期

3 张海玉;刘志都;杨彩;贾松浩;;基于页面聚类的推荐算法的改进[J];计算机应用与软件;2008年09期

4 张立燕;;一种基于用户事务模式的推荐算法[J];福建电脑;2009年03期

5 王晗;夏自谦;;基于蚁群算法和浏览路径的推荐算法研究[J];中国科技信息;2009年07期

6 周珊丹;周兴社;王海鹏;倪红波;张桂英;苗强;;智能博物馆环境下的个性化推荐算法[J];计算机工程与应用;2010年19期

7 王文;;个性化推荐算法研究[J];电脑知识与技术;2010年16期

8 张恺;秦亮曦;宁朝波;李文阁;;改进评价估计的混合推荐算法研究[J];微计算机信息;2010年36期

9 夏秀峰;代沁;丛丽晖;;用户显意识下的多重态度个性化推荐算法[J];计算机工程与应用;2011年16期

10 杨博;赵鹏飞;;推荐算法综述[J];山西大学学报(自然科学版);2011年03期

中国重要会议论文全文数据库 前10条

1 王韬丞;罗喜军;杜小勇;;基于层次的推荐:一种新的个性化推荐算法[A];第二十四届中国数据库学术会议论文集（技术报告篇）[C];2007年

2 唐灿;;基于模糊用户心理模式的个性化推荐算法[A];2008年计算机应用技术交流会论文集[C];2008年

3 秦国;杜小勇;;基于用户层次信息的协同推荐算法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

4 周玉妮;郑会颂;;基于浏览路径选择的蚁群推荐算法:用于移动商务个性化推荐系统[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年

5 苏日启;胡皓;汪秉宏;;基于网络的含时推荐算法[A];第五届全国复杂网络学术会议论文（摘要）汇集[C];2009年

6 梁莘q，

本文编号：258757