融合不信任信息的社会化推荐模型研究

发布时间：2017-06-08 23:02

  本文关键词：融合不信任信息的社会化推荐模型研究，，由笔耕文化传播整理发布。

【摘要】：随着互联网技术的蓬勃发展,推荐系统的应用越来越广泛。推荐算法作为推荐系统的核心部件,决定着用户所能获得推荐商品的种类,其性能的优劣直接影响着用户的消费体验和商家的经济效益。虽然传统的协同过滤算法在推荐系统中广泛地被使用,但实际推荐应用中主要面临着冷启动和稀疏性问题。随着社会网络的发展,已有工作多尝试利用用户的社会关系来挖掘用户潜在的兴趣偏好,从而避免以上问题更好地为用户提供推荐服务。然而,绝大多数已有工作在挖掘用户兴趣偏好时只考虑了社会网络中用户之间存在的积极因素,即:信任关系,忽略了用户之间的消极因素,即:非信任关系。针对上述问题,本文提出了一种融合信任与非信任关系的新型社会化推荐模型。该模型以传统的协同过滤为基础综合考虑用户间的信任关系和非信任关系来计算用户项目评分矩阵。具体而言,算法通过矩阵分解方法,使用用户对项目的评分和用户间的信任关系初步计算出用户的兴趣偏好。然后,通过正则项方法,使用用户间的非信任关系进行约束,提升推荐的精度。在社会化推荐系统中,为用户推荐朋友和推荐项目显得同等重要。现有的工作经常分开来考虑这两项任务,而对于推荐朋友这一任务来说可以看成是符号预测问题的一个体现,而现有的一些符号预测方法都仅仅考虑了用户间社会关系这一个单一的结构信息。本文提出了一个新的模型协同地解决推荐朋友和推荐项目这两个任务,通过耦合低秩近似的方法同时融合用户项目评分信息,用户间信任关系和不信任关系这三种稀疏数据源。这两项任务分开来做都会由于数据的稀疏性而使得预测精度下降,而通过本文的耦合低秩近似模型可以提升各自的预测精度。通过在三个真实数据集上进行实验验证,结果表明本文所提出的两个模型效果更加优异,在实验上证明了本文的理论模型。
【关键词】：协同过滤 社会化推荐 耦合低秩近似 符号预测 社交网络分析
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-12
• 1.1 研究背景及意义9-10
• 1.2 本文研究动机及主要工作10-11
• 1.3 本文组织结构11-12
• 第2章 问题描述与相关工作12-22
• 2.1 问题描述12-15
• 2.2 MEMORY-BASED协同过滤算法15-17
• 2.3 MODEL-BASED协同过滤算法17-18
• 2.4 若干社会化推荐算法18-20
• 2.5 若干符号预测算法20-22
• 第3章 矩阵分解模型TDREC22-27
• 3.1 算法思想22
• 3.2 TDREC模型22-24
• 3.3 TDREC模型的优化方法24-26
• 3.4 TDREC模型时间复杂度分析26-27
• 第4章 耦合低秩模型CLR27-39
• 4.1 问题描述27
• 4.2 评分信息的低秩近似27-28
• 4.3 用户社会间关系信息的低秩近似28-30
• 4.4 耦合低秩近似模型CLR30-32
• 4.5 近似方法的恢复条件32-34
• 4.6 CLR模型的优化算法34-38
• 4.7 CLR模型时间复杂度分析38-39
• 第5章 实验验证与分析39-44
• 5.1 数据集描述39-40
• 5.2 实验设置40-42
• 5.2.1 评价指标40-41
• 5.2.2 交叉验证41
• 5.2.3 对比算法41
• 5.2.4 参数设置41-42
• 5.3 实验结果42-44
• 第6章 总结与展望44-46
• 6.1 本文工作总结44
• 6.2 工作展望44-46
• 参考文献46-49
• 作者简介49-50
• 致谢50

【参考文献】

中国期刊全文数据库 前2条

1 黄立威;李德毅;;社交媒体中的信息推荐[J];智能系统学报;2012年01期

2 杨博;赵鹏飞;;推荐算法综述[J];山西大学学报(自然科学版);2011年03期

  本文关键词：融合不信任信息的社会化推荐模型研究，由笔耕文化传播整理发布。

本文编号：433887