基于信任机制的个性化推荐算法研究

发布时间：2017-04-07 13:09

  本文关键词：基于信任机制的个性化推荐算法研究，，由笔耕文化传播整理发布。

【摘要】：随着互联网的高速发展,网络信息量大幅增长,面对海量数据信息用户无法快速有效地获得对自己有用的信息,即“信息过载”问题,搜索引擎和推荐系统是解决“信息过载”问题的重要技术手段,但随着信息量的高速增长,搜索引擎的被动搜索已不能完全满足人们的需要,个性化推荐系统因能主动给用户推荐可满足他们兴趣的信息而得到了广泛的研究与发展。个性化推荐通过收集与分析用户的历史行为,利用一定的算法机制,可主动向用户提供个性化的推荐。协同过滤推荐算法是推荐系统中应用最广泛的算法,但传统协同过滤推荐算法存在着数据稀疏及冷启动等问题,造成对冷启动用户或物品的推荐质量不高,算法亟待改进。随着社交网络的兴起与发展,人们不仅是信息的消费者,也是信息的生产者,信息量急速增长,因此,有研究者提出通过加入用户的社交信息来对用户进行推荐。信任信息作为用户最重要的社交信息被引入推荐,出现了基于信任的推荐算法,其在传统推荐算法的基础上,通过加入用户的信任信息来改善推荐质量,可有效缓解传统协同过滤推荐算法存在的问题,但信任信息存在着数据稀疏且信任值形式单一等问题。针对信任推荐存在的问题,本文在分析传统协同过滤推荐算法及信任推荐算法的基础上,提出了如下三种算法:(1)针对显式信任数据稀疏且信任形式单一的问题,引入隐式信任推断算法,并结合显式信任与隐式信任,基于SVD++算法模型,提出基于双信任机制的EITrust SVD算法,其在依靠显式信任获得可靠推荐的同时,借助隐式信任获得与用户喜好相关的推荐。在公开数据集Film Trust上的实验表明,该算法可有效提高推荐准确率;(2)针对信任信息为信任列表或二值信任的情况,通过结合评分信息与信任关系,对用户之间的信任度进行学习,并将该信任影响作为推荐权重,提出加入信任学习的协同过滤推荐算法,在公开数据集Ciao数据集上的实验表明该算法可有效提供推荐准确率。(3)通过对目标用户的信任列表及其信任用户相似度之间的关系进行相应的分析,选取目标用户信任列表中的有效推荐用户,并结合相似度的动态变化,提出加入动态变化相似度的信任推荐算法。
【关键词】：协同过滤 信任推荐 显示信任 隐式信任 信任学习 动态变化
【学位授予单位】：贵州大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要5-7
• Abstract7-9
• 第一章 绪论9-15
• 1.1 研究背景与意义9-11
• 1.1.1 研究背景9-10
• 1.1.2 研究意义10-11
• 1.2 国内外研究现状11-12
• 1.3 本文的研究内容12-13
• 1.4 论文的组织结构13-14
• 本章小结14-15
• 第二章 相关概念与技术15-33
• 2.1 协同过滤推荐算法15-21
• 2.1.1 基本概念15-16
• 2.1.2 协同过滤推荐算法分类16-17
• 2.1.3 推荐算法的评价指标17-20
• 2.1.4 传统协同过滤算法存在的问题20-21
• 2.2 矩阵分解算法基础21-23
• 2.2.1 矩阵分解模型21
• 2.2.2 模型求解21-23
• 2.3 推荐算法中的信任机制23-29
• 2.3.1 推荐系统中的信任定义23-24
• 2.3.2 信任分类24-25
• 2.3.3 信任网络与信任矩阵25-27
• 2.3.4 信任的传播与聚合27-29
• 2.4 基于信任机制的推荐算法29-32
• 2.4.1 基于信任的协同过滤推荐算法分类29-31
• 2.4.2 信任推荐算法的优点及问题31-32
• 本章小结32-33
• 第三章 基于双信任机制的SVD推荐算法33-43
• 3.1 基于双信任机制的SVD推荐算法33-38
• 3.1.1 SVD及SVD++算法33-34
• 3.1.2 显式信任与隐式信任34-35
• 3.1.3 EITrustSVD算法介绍35-38
• 3.2 基于FilmTrust数据集的实验分析38-42
• 3.2.1 数据集及评价标准38-39
• 3.2.2 参数选取39-40
• 3.2.3 实验结果及分析40-42
• 本章小结42-43
• 第四章 加入信任学习的协同过滤推荐算法43-50
• 4.1 加入信任学习的TrustLearning-SVD算法43-47
• 4.1.1 信任影响权重43-45
• 4.1.2 Trust Learning-SVD算法介绍45-47
• 4.2 基于Ciao数据集的实验分析47-49
• 4.2.1 测试数据集及评价标准47
• 4.2.2 实验结果与分析47-49
• 本章小结49-50
• 第五章 加入动态变化相似度的信任推荐算法50-58
• 5.1 加入动态变化相似度的信任推荐算法50-54
• 5.1.1 相似度与信任推荐50-53
• 5.1.2 加入动态变化相似度的Similarity-Trust Based算法53-54
• 5.2 基于Ciao数据集的实验分析54-57
• 5.2.1 数据集及评价标准54-55
• 5.2.2 实验结果与分析55-57
• 本章小结57-58
• 第六章 总结与展望58-60
• 致谢60-61
• 参考文献61-65
• 附录65-66
• 图版66-67

【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：290505