基于标签和信任关系的协同过滤算法研究

发布时间：2021-10-29 10:54

　　个性化推荐技术主动向用户推荐其可能感兴趣的物品集合,是缓解信息过载问题的有效手段,对于大数据背景下互联网应用具有重要意义。协同过滤是目前应用最广泛、最成功的推荐算法,获得了学术界和工业界的广泛关注并取得了一定的成果,但是仍然存在评分稀疏性而导致的相似度计算和邻居选取欠准确的问题,影响推荐效果。本文针对协同过滤算法存在的评分数据稀疏性展开相关研究,以期获得更好的推荐质量。本文主要的研究内容包括:1.针对现有的协同过滤方法在计算项目相似度时大多使用用户项目评分信息,忽略了项目标签信息的情况,提出一种结合评分和标签的协同过滤推荐算法。该算法在项目协同过滤的基础上,引入项目标签数据,利用项目标签隶属度和项目受欢迎程度计算项目间的相关性,并基于评分和标签改进了相似度计算策略。实验结果表明该算法优于现有的一些改进算法。2.针对目前协同过滤算法大都是基于评分数据产生综合兴趣,忽略了用户偏好的侧重点的问题,提出一种基于标签兴趣度的协同过滤算法。该算法通过用户标签使用频度和用户标签评分共同分析用户对标签的兴趣度,以衡量用户偏好的侧重点,利用修正的标签兴趣度改进相似度计算方法。实验结果表明所提出的算法提高... 

【文章来源】：西北大学陕西省 211工程院校

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

全球数据圈的年规模

度上表示了用户的偏好[50]，例如 5 分表示用户对该项目非常感户对该项目不是很感兴趣。然而，在实际应用场景中通常面临几分的问题，而是对于推荐的项目列表，用户是否会对其评分op-N 的推荐方式[51]。协同过滤算法同过滤的核心部分，通过分析用户的历史评价行为，寻找相似近邻对其偏好进行预测，协同过滤算法一般分为 UBCF 和 IB户的协同过滤算法基本假设是：目标用户会对其“邻居群”感兴趣的内容，也产的核心是将与用户的相关性度量值较高的作为近邻集合，将他评价的内容推荐给该用户。

图4 IBCF 的推荐原理了 IBCF 的基本原理，假设系统中用户集合 U UA, UB,UC， 3,B4，其中UA 是目标用户，推荐算法就是要为UA 推荐其可能B1 被UA和UC 喜欢，B2 被 和UC 喜欢， B3 被UB和 喜目标用户 喜欢过的 B1 和 B2 相似的物品是 B3 ，因此将与 没有选择过的 推荐给 。目的相关性时，参考用户相似度的计算方法，可将目标对象由换成评价过该项目的用户集合。例如，在余弦相似度计算中项户空间上的向量并进行相似度计算。将与项目i 间相似度最大的前K 个项目作为其近邻集合，记作公式（2.6）所示。( ) ujsimijr,

【参考文献】：
期刊论文
[1]基于标签信息特征相似性的协同过滤个性化推荐[J]. 何明,要凯升,杨芃,张久伶.  计算机科学. 2018(S1)
[2]基于用户情境和时序多样性的协同过滤优化算法[J]. 林皓,陈莉,兰小艳,张珏,尹化荣.  西北大学学报(自然科学版). 2017(06)
[3]基于矩阵填充和物品可预测性的协同过滤算法[J]. 潘涛涛,文锋,刘勤让.  自动化学报. 2017(09)
[4]采用信任网络增强的协同过滤算法[J]. 李熠晨,陈莉,石晨晨,兰小艳.  计算机应用研究. 2018(01)
[5]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)
[6]基于社交标签和社交信任的概率矩阵分解推荐算法[J]. 王升升,赵海燕,陈庆奎,曹健.  小型微型计算机系统. 2016(05)
[7]基于标签权重评分的推荐模型及算法研究[J]. 孔欣欣,苏本昌,王宏志,高宏,李建中.  计算机学报. 2017(06)
[8]一种解决新项目冷启动问题的推荐算法[J]. 于洪,李俊华.  软件学报. 2015(06)
[9]结合用户评分和项目标签的协同过滤算法[J]. 程高伟,丁亦喆,吴振强.  计算机技术与发展. 2015(03)
[10]基于位置的社会化网络推荐系统[J]. 刘树栋,孟祥武.  计算机学报. 2015(02)



本文编号：3464526