一种融合信任关系的电影推荐算法
发布时间：2021-11-06 14:53
进入大数据时代以来,个性化推荐算法受到广泛的关注,不仅解决了信息过载的问题,并且从海量数据中挖掘出很多有用的信息。另一方面,社交平台的发展,将人们紧紧地连接在一起,越来越多的平台融入了社交属性。而对于一个用户而言,对其朋友的推荐可能会更加的感兴趣和信赖,因此,用户间的社交关系对推荐算法的准确度有着举足轻重的影响,将用户社交信任和个性化推荐融合到一起来研究是很有必要,且很有意义的。为缓解传统协同过滤推荐算法中数据稀疏给推荐准确度带来的影响,将信任关系融入到电影推荐中,基于用户在电影评分数据中的信任和在社交信息中的信任,通过动态自适应的综合信任权重进行线性融合,并结合概率矩阵分解模型,提出一种综合多种信任关系的电影推荐算法（Multiple Trust-Probability Matrix Factorize,MT-PMF）。将该算法在电影数据集FilmTrust上进行验证,并与相关算法进行对比,结果表明MT-PMF评分预测的准确性在MAE和RMSE指标上均得到有效地改进。本文的主要研究内容如下:（1）根据用户在历史评分数据间的相似性,将目标用户相似度均值作为选取兴趣相似用户的阈值,利用该...
【文章来源】：河北大学河北省
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
FilmTrust评分数据分布情况
中自身评分偏好的影响程度 ，梯度下降学习速率 及迭代次数d 。本节主要分析这些参数的变化，对 MT-PMF 电影推荐算法实验结果的影响。实验在 Filmtrust 数据集上进行。在取值上， 取值{0.8, 0.9, 1.0, 1.1, 1.2, 1.3, 1.4, 1.5}，迭代次数 取值{10, 20, 30,40,50, 60, 70,80,90,100, 110, 120}，组合权重 取值{0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9,1.0}，系统共同评分电影数最大值设定{5, 6, 7, 8, 9, 10}。调参过程中，除了对上述参数的取值范围进行限定外，同时设定用户特征矩阵和电影特征矩阵的维度为 5，用户、电影的正则化因子U 和V 均为 0.001，学习速率 为 0.01。用于衡量依据用户评分数据推荐的可靠程度，该值设置的越小，表明用户对评分可靠性要求的越为严格，考虑到评分数据的稀疏性，将偏差阈值设定在 0.8-1.5 之间。取定 d 110， 0.6， 5maxn ， 0minn ，从图 4-2 可以看出，随着 的增大，RMSE和 MAE 的值呈下降趋势，偏差阈值 在 1.4 时评分预测的精度最准，RMSE 和 MAE 均取得最小值。为方便后续对其他参数的分析，设定 为 1.4。
(a) 组合权重对 RMSE 的影响 (b) 组合权重对 MAE 的影响图 4-4 组合权重的影响图 4-5 表示最大评分电影数maxn 对评分预测准确性的影响。设定共同评分电影数的系统最大值和最小值，要依赖于评分数据的分布情况，当评分数据的稀疏程度较强时，若将最小值设置过高，则会出现用户间综合信任度主要依赖于社交信任的情况，若将最大值设置的过低，则会降低社交信任的利用。考虑到 FilmTrust 评分数据的稀疏，在实验中首先确定minn 为 0， 取值{5, 6, 7, 8, 9, 10}，随着 的增加，算法的 RMSE 和MAE 值也在不断的增加，因此确定 的最优值为 5。然后以 为 5，观察 对算法的影响，领 的取值从 0 到 4，在 0 时算法的误差最小，预测效果最好。
【参考文献】：
期刊论文
[1]一种基于深度学习的混合推荐算法[J]. 曾旭禹,杨燕,王淑营,何太军,陈剑波. 计算机科学. 2019(01)
[2]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)
[3]结合用户聚类和评分偏好的推荐算法[J]. 高茂庭,段元波. 计算机应用研究. 2018(08)
[4]基于图和改进K近邻模型的高效协同过滤推荐算法[J]. 孟桓羽,刘真,王芳,徐家栋,张国强. 计算机研究与发展. 2017(07)
[5]基于时序模型和矩阵分解的推荐算法[J]. 蔡海尼,牛冰慧,文俊浩,王喜宾. 计算机应用研究. 2018(06)
[6]基于标签匹配的协同过滤推荐算法研究[J]. 马婉贞,钱育蓉. 计算机技术与发展. 2017(07)
[7]一种融合用户主题兴趣与用户行为的文档推荐方法[J]. 张桂平,翟顺龙,王裴岩. 中文信息学报. 2017(03)
[8]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)
[9]基于Logistic时间函数和用户特征的协同过滤算法[J]. 赵文涛,成亚飞,王春春. 计算机应用与软件. 2017(02)
[10]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)
本文编号：3480033
【文章来源】：河北大学河北省
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
FilmTrust评分数据分布情况
中自身评分偏好的影响程度 ，梯度下降学习速率 及迭代次数d 。本节主要分析这些参数的变化，对 MT-PMF 电影推荐算法实验结果的影响。实验在 Filmtrust 数据集上进行。在取值上， 取值{0.8, 0.9, 1.0, 1.1, 1.2, 1.3, 1.4, 1.5}，迭代次数 取值{10, 20, 30,40,50, 60, 70,80,90,100, 110, 120}，组合权重 取值{0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9,1.0}，系统共同评分电影数最大值设定{5, 6, 7, 8, 9, 10}。调参过程中，除了对上述参数的取值范围进行限定外，同时设定用户特征矩阵和电影特征矩阵的维度为 5，用户、电影的正则化因子U 和V 均为 0.001，学习速率 为 0.01。用于衡量依据用户评分数据推荐的可靠程度，该值设置的越小，表明用户对评分可靠性要求的越为严格，考虑到评分数据的稀疏性，将偏差阈值设定在 0.8-1.5 之间。取定 d 110， 0.6， 5maxn ， 0minn ，从图 4-2 可以看出，随着 的增大，RMSE和 MAE 的值呈下降趋势，偏差阈值 在 1.4 时评分预测的精度最准，RMSE 和 MAE 均取得最小值。为方便后续对其他参数的分析，设定 为 1.4。
(a) 组合权重对 RMSE 的影响 (b) 组合权重对 MAE 的影响图 4-4 组合权重的影响图 4-5 表示最大评分电影数maxn 对评分预测准确性的影响。设定共同评分电影数的系统最大值和最小值，要依赖于评分数据的分布情况，当评分数据的稀疏程度较强时，若将最小值设置过高，则会出现用户间综合信任度主要依赖于社交信任的情况，若将最大值设置的过低，则会降低社交信任的利用。考虑到 FilmTrust 评分数据的稀疏，在实验中首先确定minn 为 0， 取值{5, 6, 7, 8, 9, 10}，随着 的增加，算法的 RMSE 和MAE 值也在不断的增加，因此确定 的最优值为 5。然后以 为 5，观察 对算法的影响，领 的取值从 0 到 4，在 0 时算法的误差最小，预测效果最好。
【参考文献】：
期刊论文
[1]一种基于深度学习的混合推荐算法[J]. 曾旭禹,杨燕,王淑营,何太军,陈剑波. 计算机科学. 2019(01)
[2]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)
[3]结合用户聚类和评分偏好的推荐算法[J]. 高茂庭,段元波. 计算机应用研究. 2018(08)
[4]基于图和改进K近邻模型的高效协同过滤推荐算法[J]. 孟桓羽,刘真,王芳,徐家栋,张国强. 计算机研究与发展. 2017(07)
[5]基于时序模型和矩阵分解的推荐算法[J]. 蔡海尼,牛冰慧,文俊浩,王喜宾. 计算机应用研究. 2018(06)
[6]基于标签匹配的协同过滤推荐算法研究[J]. 马婉贞,钱育蓉. 计算机技术与发展. 2017(07)
[7]一种融合用户主题兴趣与用户行为的文档推荐方法[J]. 张桂平,翟顺龙,王裴岩. 中文信息学报. 2017(03)
[8]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)
[9]基于Logistic时间函数和用户特征的协同过滤算法[J]. 赵文涛,成亚飞,王春春. 计算机应用与软件. 2017(02)
[10]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)
本文编号：3480033
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3480033.html
