基于概率矩阵分解的社会化推荐算法研究

发布时间：2021-04-24 19:00

　　社交网络的发展给推荐技术带来了新的契机,利用社交关系进行社会化的推荐,不仅能提高推荐的准确率,更能让用户信任系统的推荐理由,因而得到了电子商务网站和许多科研人员的青睐。本文以社会化推荐中的协同过滤推荐算法为主要研究对象,针对概率矩阵分解算法在实际推荐中面临的准确性和社交关系稀疏等问题展开了调研与研究,结合主题模型和聚类等机器学习方法,提出了解决这几个问题的方案,并通过实验验证了所提方案的效果。具体如下：1、针对基于概率矩阵分解的社会化推荐算法的准确性问题,提出了一种基于主题的朋友提取概率矩阵分解算法。该算法主要应用于社交关系较为稠密场景下的社会化推荐问题,它针对现有的社会化推荐算法在考虑来自社交关系的影响时,考虑过多朋友的影响导致的推荐准确率下降的问题,提出了相应的解决方案。该算法将用户看作喜好的集合,通过主题模型的训练,挖掘出用户的喜好,并根据喜好划分用户的社交关系,使得最终的推荐结果只受和用户在物品所属主题里拥有相同喜好的社交关系的影响。实验表明,该算法的推荐误差小于其他4种传统的概率矩阵分解算法,在一定程度上提高了推荐的准确率。2、针对基于主题的朋友提取概率矩阵分解算法以及其他的... 

【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校

【文章页数】：83 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
算法索引
第一章 绪论
    1.1 研究背景和选题意义
        1.1.1 研究背景
        1.1.2 选题意义
    1.2 国内外研究现状
    1.3 本文研究内容
    1.4 论文组织结构
第二章 个性化推荐系统的相关知识
    2.1 推荐系统简介
    2.2 推荐算法
        2.2.1 基于内容的推荐算法
        2.2.2 基于协同过滤的推荐算法
        2.2.3 混合推荐模型
    2.3 社会化网络中的推荐
        2.3.1 社交网络简介
        2.3.2 社会化推荐简介
        2.3.3 社会化推荐算法
    2.4 本章小结
第三章 基于主题的朋友过滤概率矩阵分解算法
    3.1 社会化推荐中存在的问题
    3.2 问题形式化定义
    3.3 基于主题模型的社交关系分割
        3.3.1 PLSA主题模型
        3.3.2 模型训练伪代码
        3.3.3 基于主题的社交关系网络分割
    3.4 TFR-PMF模型
        3.4.1 主题内部的推荐模型训练
        3.4.2 主题内模型训练伪代码
        3.4.3 最终评分的获取
    3.5 实验设计与分析
        3.5.1 推荐系统实验方法
        3.5.2 推荐系统评价标准
        3.5.3 实验设计
            3.5.3.1 实验数据
            3.5.3.2 实验环境
            3.5.3.3 对比算法
            3.5.3.4 实验结果
    3.6 本章小结
第四章 基于用户主题聚类的社会化推荐算法
    4.1 引言
    4.2 基于用户主题聚类的社会化推荐算法
        4.2.1 用户兴趣主题的挖掘
        4.2.2 相似用户的筛选
        4.2.3 稀疏用户的社会化推荐
    4.3 实验设计
        4.3.1 对比实验算法
        4.3.2 实验数据与环境
        4.3.3 实验结果与分析
    4.4 本章小结
第五章 总结和展望
    5.1 论文工作总结
    5.2 未来研究展望
参考文献
致谢
研究生期间已发表的学术论文


【参考文献】：
期刊论文
[1]一种相似度改进的用户聚类协同过滤推荐算法[J]. 孙辉,马跃,杨海波,张红松.  小型微型计算机系统. 2014(09)
[2]基于情境聚类和用户评级的协同过滤推荐模型[J]. 邓晓懿,金淳,韩庆平,樋口良之.  系统工程理论与实践. 2013(11)
[3]互联网推荐系统比较研究[J]. 许海玲,吴潇,李晓东,阎保平.  软件学报. 2009(02)



本文编号：3157900