基于用户关系的矩阵分解推荐算法研究

发布时间：2017-04-23 12:07

  本文关键词：基于用户关系的矩阵分解推荐算法研究，由笔耕文化传播整理发布。

【摘要】：在互联网信息量以不可估量的速度增长的时代,用户在混杂各种各样信息的信息池中找到所需的内容已然成为一个棘手的问题。针对这一问题,推荐系统被提出。推荐系统是一种新的计算模型,它试图从海量信息中过滤出目标用户可能感兴趣的信息。原始的推荐算法普遍基于协同过滤的思想,这种思路来源于人们在选购商品时的自然法则。通常,用户对于未知物品束手无策时总是会请教身边有经验的人,然后根据这些人的经验分享判断物品是否有用。协同过滤算法将这种思想运用在推荐系统上。然而,协同过滤主要存在三类问题：数据稀疏性高、冷启动以及系统的可扩展性。为缓解上述问题,基于社会网络的推荐系统应运而生。社会网络的形成是通过人们在互联网上的交互行为,这种用户关系从各方面体现了人们在真实社会中的人际关系。因此,将社会网络与推荐系统组合形成基于社会网络的推荐系统能够丰富推荐结果。矩阵分解模型是推荐系统的经典模型,由于其具有良好的可扩展性,使得社会网络信息易于与该模型结合。在这一机制下,提取相似用户群体是提高推荐系统准确性的关键因素。传统的相似性函数是评判两个用户对于相同物品的反馈行为的相似性,其中,反馈行为的相似性并不能说明两个用户具有相似的兴趣爱好,而且,该方法忽略了用户的社会关系的作用。因此,本文通过深入分析用户间的关联程度,提出了两种新的兴趣相似性计算函数,并针对相似性函数的特性分别建立新的社会正则化,最后将其运用在基于矩阵分解的推荐模型中。通过对上述研究工作的深入分析,发现这两个新的相似性函数一个反映了用户间一对一的兴趣相似性,一个则反映了目标用户与其所有朋友的平均兴趣相似性。此外,这两个相似性函数是基于社会网络密度的。如果社会网络密度相当紧密,那么这两个函数的值更接近用户的兴趣相似性。为了丰富社会网络信息,本文进一步将这两个函数整合为一个社会正则化,并讨论了不同的结合方式。相较于之前的社会正则化方法,该方法更能明确解释用户的兴趣相似性,而且能有效减小社交信息的稀疏性。实验结果显示,该方法在预测准确性方面要优于之前的推荐算法模型。
【关键词】：推荐系统 社会网络 矩阵分解 社会正则化
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-11
• 1 引言11-17
• 1.1 论文研究背景和意义11-14
• 1.1.1 研究背景11-12
• 1.1.2 研究意义12-14
• 1.2 国内外研究现状与分析14-15
• 1.2.1 国内外研究现状14
• 1.2.2 推荐系统的特点与难点分析14-15
• 1.3 论文框架与研究内容15-17
• 2 推荐系统相关理论基础17-33
• 2.1 推荐系统算法17-21
• 2.1.1 基于内容的推荐算法17-18
• 2.1.2 协同过滤推荐算法18-20
• 2.1.3 基于关联规则的推荐算法20
• 2.1.4 其他推荐算法20-21
• 2.2 推荐系统的评测指标21-24
• 2.3 矩阵分解模型24-28
• 2.3.1 概率矩阵分解模型25-27
• 2.3.2 非负矩阵分解27-28
• 2.4 数据集28-31
• 2.4.1 数据集特征28-29
• 2.4.2 常用数据集29-31
• 2.5 本章小结31-33
• 3 社会网络及相关推荐算法综述33-46
• 3.1 社会网络简述33-35
• 3.1.1 社会网络定义33-34
• 3.1.2 社会网络特征34-35
• 3.2 社会网络表示35-39
• 3.2.1 用户关系35-36
• 3.2.2 相似性函数36-38
• 3.2.3 社会正则化38-39
• 3.3 基于矩阵分解的社会化推荐算法综述39-45
• 3.3.1 基于信任关系的社会化推荐算法39-42
• 3.3.2 基于朋友关系的社会化推荐算法42-45
• 3.4 本章小结45-46
• 4 基于用户兴趣相似性的社会正则化研究46-55
• 4.1 引言46
• 4.2 问题描述46-47
• 4.3 基于用户兴趣相似性的推荐算法47-50
• 4.3.1 用户兴趣相似性函数47-48
• 4.3.2 基于用户平均兴趣相似性的推荐模型FRR48-49
• 4.3.3 基于用户间兴趣相似性的推荐模型SFR49-50
• 4.4 实验及结果分析50-54
• 4.4.1 数据集50-51
• 4.4.2 实验结果51-54
• 4.5 本章小结54-55
• 5 基于用户兴趣相似的社会正则化改进算法55-60
• 5.1 问题描述55
• 5.2 基于用户兴趣相似性的社会正则化改进55-57
• 5.2.1 FSR组合模型55-56
• 5.2.2 改进FSR组合模型56-57
• 5.3 实验结果与分析57-59
• 5.3.1 数据解释57-58
• 5.3.2 实验结果58-59
• 5.4 本章小结59-60
• 6 结论与展望60-62
• 6.1 研究工作总结60-61
• 6.2 今后工作展望61-62
• 参考文献62-65
• 作者简历及攻读硕士学位期间取得的研究成果65-67
• 学位论文数据集67

【相似文献】

中国期刊全文数据库 前10条

1 史加荣;郑秀云;周水生;;矩阵补全算法研究进展[J];计算机科学;2014年04期

2 李聪;骆志刚;;用于鲁棒协同推荐的元信息增强变分贝叶斯矩阵分解模型[J];自动化学报;2011年09期

3 袁运祥;基于矩阵分解的子结构法求解介绍[J];计算机应用通讯;1981年00期

4 张海建;;分布式矩阵分解算法在推荐系统中的研究与应用[J];科技通报;2013年12期

5 何朕,赵文斌,于达仁;摄动矩阵的分解[J];电机与控制学报;2004年03期

6 李华云;;F范数及矩阵分解实例研究[J];现代情报;2008年10期

7 邹理和;;系数矩阵分解二维谱估值[J];信号处理;1985年03期

8 陈伯伦;陈];邹盛荣;徐秀莲;;基于矩阵分解的二分网络社区挖掘算法[J];计算机科学;2014年02期

9 王锋;赵志文;牟盛;;整数提升小波多相矩阵分解系数的快速提取算法[J];中国图象图形学报;2012年03期

10 段华杰;;考虑时间效应的矩阵分解技术在推荐系统中的应用[J];微型电脑应用;2013年03期

中国重要会议论文全文数据库 前2条

1 王春江;钱若军;王人鹏;杨联萍;;矩阵分解在张力集成体系模态分析中的应用[A];第九届全国结构工程学术会议论文集第Ⅰ卷[C];2000年

2 王春江;王人鹏;钱若军;王颖;;矩阵分解技术在体系性态综合分析中的初步应用[A];“力学2000”学术大会论文集[C];2000年

中国博士学位论文全文数据库 前5条

1 李英明;矩阵分解在数据挖掘中的应用[D];浙江大学;2014年

2 赵科科;低秩矩阵分解的正则化方法与应用[D];浙江大学;2012年

3 郭亦鸿;利用穆勒矩阵分解定量测量各向异性介质微观结构[D];清华大学;2014年

4 胡惠轶;基于分解的系统辨识方法研究[D];江南大学;2014年

5 陈根浪;基于社交媒体的推荐技术若干问题研究[D];浙江大学;2012年

中国硕士学位论文全文数据库 前10条

1 秦晓晖;个性化微博推荐方法研究[D];华南理工大学;2015年

2 刘凤林;基于矩阵分解的协同过滤推荐算法研究[D];南京理工大学;2015年

3 李源鑫;基于提升的信任融合矩阵分解推荐算法[D];福建师范大学;2015年

4 陈洪涛;基于矩阵分解的常规与长尾捆绑推荐的博弈研究[D];福建师范大学;2015年

5 张济龙;基于概率矩阵分解的推荐算法研究[D];燕山大学;2015年

6 邓志豪;基于物品相似度和主题回归的矩阵分解推荐算法[D];浙江大学;2015年

7 余露;利用矩阵分解算法建模数据稀疏环境下用户协同行为[D];杭州师范大学;2015年

8 倪泽明;混合用户行为建模的概率矩阵分解推荐算法[D];浙江大学;2015年

9 丁浩;基于协同矩阵分解的药物靶标相互作用关系预测[D];复旦大学;2014年

10 吴世伟;社会网络中的链接分析[D];复旦大学;2014年

  本文关键词：基于用户关系的矩阵分解推荐算法研究，由笔耕文化传播整理发布。

，

本文编号：322358