基于社交网络综合信任度和商品流行度的个性化推荐

发布时间：2021-08-09 21:22

　　个性化推荐系统如今被广泛的应用在各个领域当中,因为它可以解决人们在网络生活中所遇见的“信息过载”问题,并为用户提供所需的商品、服务推荐。对用户兴趣进行建模是整个推荐过程中最为关键的部分,建立的用户兴趣模型的好坏直接影响到推荐结果是否准确。由于用户的兴趣往往是变化的,传统的个性化推荐采用的时间窗口法与遗忘函数法无法解决用户发生新增兴趣的问题。近年来,随着社交网络技术的不断发展,基于社交网络的推荐算法也成为个性化推荐领域研究热点。基于社交网络信任度的推荐算法在获取目标用户邻近矩阵中的用户时,考虑的只是用户之间的信任关系,忽略了用户之间的相似关系。为解决用户兴趣度迁移问题与基于社交网络信任度算法不足,本文的主要工作如下:第一,分析现有的时间窗口法与遗忘函数法在解决用户兴趣迁移时的不足,提出一种基于社交网络的个性化推荐方法,该方法解决在用户兴趣突然发生改变时传统方法无法进行有效推荐的问题。第二,分析现有的基于社交网络信任度个性化推荐方法单纯考虑用户信任度的不足,提出一种基于社交网络综合信任度的个性化推荐方法（comprehensive trust,简称CT）。综合信任度是一种综合考虑了社交网络... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

参数α对算法RMSE的影响（k=30）

目喜爱程度 α 取值不断变大时，标准误差 RMSE 值不断变小，当参数 α 取 时，标准误差 RMSE 取值达到最小值 之后，当用户对项目喜爱程度 α 断变大时，标准误差 RMSE 值不断变大 由此得出，CT 推荐算法在用户目喜爱程度 α 取值为 0.5 时，达到 CT 算法的最佳推荐效果，因此选取参0.5 作为本实验的参数 α 取值 其次，确定用户邻居数 k 的取值 之前的实验，确定了当用户对项目喜度 α=0.5 时，达到 CT 算法最佳效果，因此在 α=0.5 时，确定用户邻居数 值 表 3.5 表示得到具体实验结果，图 3.7 为其对应图形描述 表 3.5 参数 k 对算法 RMSE 的影响（α=0.5）K10 20 30 40 50 60 70RMSE1.151 1.145 1.140 1.133 1.137 1.143 1.148

图 3.8 CT 算法与其他 5 中算法在 80%训练集下的 RMSE 比较图 3.9 CT 算法与其他 5 中算法在 90%训练集下的 RMSE 比较RMSE 的值越小，说明推荐算法的性能越好，由图 3.8 与图 3.9 可以得出，相比于其他几种推荐算法，本文提出的 CT 推荐算法具有更好的推荐效果 根据实验结果，做出以下结论：算法推荐精度与训练集的大小有直接的关系，训

【参考文献】：
期刊论文
[1]基于信任模型的协同过滤推荐算法[J]. 夏小伍,王卫平.  计算机工程. 2011(21)
[2]大规模分布式环境下动态信任模型研究[J]. 李小勇,桂小林.  软件学报. 2007(06)
[3]个性化服务技术综述[J]. 曾春,邢春晓,周立柱.  软件学报. 2002(10)



本文编号：3332823