融合社交网络与关键用户的并行协同过滤推荐算法

发布时间：2021-05-11 23:26

　　在大数据时代下,高效地提取关键信息变得越来越重要,而推荐系统就是能够从海量数据中有效提取信息的重要手段之一。但是在推荐系统中仍然存在许多问题,如冷启动、数据稀疏、时延长、推荐效果不理想等。因此,针对以上问题,本文提出了融合社交网络与关键用户的并行协同过滤推荐算法,主要从三个方面改善协同过滤推荐算法的性能。针对冷启动与数据稀疏问题,提出融合社交网络与关键用户解决方案。通过对数据集的预处理得到社交网络信任矩阵、关键用户项目评分矩阵和用户项目评分矩阵,并采用多源数据融合,有效解决推荐系统中的项目冷启动和用户冷启动问题、缓解数据稀疏问题。考虑到海量数据处理的时延问题,提出了基于Spark分布式集群的并行运算策略,并实现了推荐算法的并行化处理,可有效缩短运行时间,提升用户体验。为改善推荐系统的推荐效果,提出改进相似度计算方法,将社交网络数据、关键用户评分数据和用户项目评分数据各自计算得出的修正余弦相似度进行了加权融合,得到更为准确稳定的相似度计算公式。由实验结果可知,相似度计算的准确率提高时,得到的推荐结果也更为符合用户的兴趣爱好。实验采用Epinions公开数据集,多组对比实验结果表明,提出的... 

【文章来源】：辽宁工程技术大学辽宁省

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
变量注释表
1 绪论
    1.1 研究背景
    1.2 国内外研究现状
    1.3 研究目的
    1.4 主要工作
    1.5 本文结构安排
2 基础理论与相关技术
    2.1 常用的协同过滤推荐算法
    2.2 相似性计算
    2.3 推荐系统评估指标
    2.4 SPARK系统框架与编程模型
3 融合社交网络与关键用户的并行推荐算法
    3.1 算法描述与模型设计
    3.2 并行化算法流程设计与实现
4 实验设计及结果分析
    4.1 实验数据
    4.2 实验环境
    4.3 实验设计
    4.4 实验结果与分析
5 总结与展望
    5.1 工作总结
    5.2 工作展望
参考文献
作者简历
学位论文数据集


【参考文献】：
期刊论文
[1]基于多维特征聚类和用户评分的景点推荐算法[J]. 程鹏,柳林,刘晓,许传新,郭慧.  计算机工程与设计. 2019(05)
[2]基于信任网络重构的推荐算法[J]. 胡云,张舒,李慧,佘侃侃,施珺.  山东大学学报(工学版). 2019(02)
[3]协同深度学习推荐算法研究[J]. 冯楚滢,司徒国强,倪玮隆.  计算机系统应用. 2019(01)
[4]改进模糊划分聚类的协同过滤推荐算法[J]. 苏庆,章静芳,林正鑫,李小妹,蔡昭权,曾永安.  计算机工程与应用. 2019(05)
[5]基于改进相似度的协同过滤算法[J]. 高兴前,王晓峰.  现代计算机(专业版). 2018(25)
[6]大数据技术在网络安全分析中的应用[J]. 吴世嘉,李言鹏.  网络安全技术与应用. 2018(08)
[7]面向大数据的教学资源平台搭建与人工智能技术应用研究[J]. 胡飞.  中国高新区. 2018(12)
[8]多维社交网络中的社区发现算法研究[J]. 朱家磊,马强,邢玲.  物联网技术. 2018(03)
[9]MOOB:一种改进的基于Bandit模型的推荐算法[J]. 帖军,孙荣苑,孙翀,郑禄.  中南民族大学学报(自然科学版). 2018(01)
[10]基于改进协同过滤算法的个性化新闻推荐技术[J]. 黄贤英,熊李媛,李沁东.  四川大学学报(自然科学版). 2018(01)

博士论文
[1]面向社会化媒体的用户生成内容推荐技术研究[D]. 姚远.南京大学 2015

硕士论文
[1]基于Spark的分布式推荐系统的设计与实现[D]. 倪满满.武汉邮电科学研究院 2018
[2]基于用户兴趣和领域最近邻的混合推荐算法研究[D]. 叶溪溪.安徽理工大学 2017
[3]基于Web挖掘的虚假评论识别与推荐算法研究[D]. 侯惠敏.西安电子科技大学 2017
[4]大规模异构信息网络社区发现算法与社区特征研究[D]. 张正林.北京邮电大学 2017
[5]基于用户信任影响力的社会化推荐算法研究[D]. 薛毅.广东工业大学 2016
[6]融合社交网络的协同过滤推荐算法的研究与应用[D]. 蹇怡.重庆邮电大学 2016
[7]基于众包UGC的交通用户分类推荐模型[D]. 邓宸博.北京邮电大学 2016



本文编号：3182299