基于社交关系和社区结构的协同过滤推荐算法研究

发布时间：2021-08-05 12:00

　　由于互联网上的信息呈现爆炸式增长,这就使得用户在面对如此庞大的数据时无法实时和准确地获取自己所需要的信息。在这样的背景下,推荐系统便出现了。推荐系统的核心任务是分析用户行为,挖掘用户偏好,为用户推送信息。协同过滤推荐技术由于只需要用户-项目评分信息就可以对用户进行推荐且实现技术难度不大,因此被广泛研究。但是,协同过滤算法面临着数据稀疏、冷启动、扩展性差等问题。近些年来,一些研究开始尝试将用户间的社交关系和社区结构信息融入到协同过滤推荐中,研究结果表明,社交关系和社区结构信息可以缓解数据稀疏性以及增强可扩展性。因此,基于社交关系和社区结构的推荐具有重要的研究意义。在此基础上,针对当前算法中仍然存在的问题,本文对结合社交关系和社区结构的推荐算法进行深入研究,具体研究内容如下:（1）当前基于社交关系的推荐算法中往往只考虑了用户间的信任关系而忽略了用户间的不信任关系以及兴趣相似性的影响。针对此问题,本文研究了一种融合社交关系和兴趣的正则化矩阵分解推荐模型。首先利用网络的全局和局部拓扑特性挖掘出社交关系中的信任和不信任关系,然后结合项目相似度提出了一种改进的用户间的兴趣偏好相似性计算方法,最后在... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

参数对RMSE的影响

但是均未考虑不信任关系的影响；MF任和不信任关系，推荐精度进一步提高，但是却没有，导致用户之间的偏好不准确；本章提出的 SI-MF ，融入信任关系、不信任关系以及兴趣相似性，对整约束，相比其他算法在 RMSE 和 MAE 两个指标上分。算法在不同类型用户上的推荐效果对比证本章所提的算法对于不同类型用户的推荐能力，用户进行分组实验，将所有用户共分为 6 组，分别是71-100，>100；图 3.4 显示了这 10000 个用户中不同中可以看出，在本次采集的用户数据中，评分数小于他数量所占的比例，说明该数据集十分稀疏。

重庆邮电大学硕士学位论文在不同用户分组下的误差最低，分析其原因是：由于评分数据的稀疏性，只能更多依赖引入的社交数据，本章所提出的算法利用全局和局部的方式对社交关系进行了一定的扩展，并结合兴趣相似性对矩阵分解进行正则约束，所以误差较小。该实验结果可以说明本章所提算法可以有效缓解协同过滤推荐中的评分数据稀疏问题。

【参考文献】：
期刊论文
[1]融合社交信息的矩阵分解推荐方法研究综述[J]. 刘华锋,景丽萍,于剑.  软件学报. 2018(02)
[2]联合正则化的矩阵分解推荐算法[J]. 吴宾,娄铮铮,叶阳东.  软件学报. 2018(09)
[3]社交网络环境下基于信任的推荐算法[J]. 陈婷,朱青,周梦溪,王珊.  软件学报. 2017(03)
[4]一种基于信任关系隐含相似度的社会化推荐算法[J]. 潘一腾,何发智,于海平.  计算机学报. 2018(01)
[5]个性化推荐系统综述[J]. 王国霞,刘贺平.  计算机工程与应用. 2012(07)
[6]个性化服务技术综述[J]. 曾春,邢春晓,周立柱.  软件学报. 2002(10)

硕士论文
[1]基于用户社区的个性化推荐算法研究及应用[D]. 刘沁源.电子科技大学 2018
[2]基于不信任模型的信任增强推荐方法[D]. 葛双杨.哈尔滨工程大学 2016



本文编号：3323716