面向社交网络的协作过滤算法研究及应用

发布时间：2017-09-19 06:10

  本文关键词：面向社交网络的协作过滤算法研究及应用

  更多相关文章： 协作过滤 社交网络 个性化推荐 推荐系统

【摘要】：伴随互联网和信息技术的快速普及和广泛应用,各类社交网络不断涌现并已成为互联网上的重要应用,人们也越来越仰仗于利用社交网络寻找自己感兴趣的信息。然而,社交网络用户数量在不断攀升,用户间频繁交互会产生海量的互动信息,这些都导致了社交网络中的信息过载,而个性化推荐则是解决信息过载问题最有效的方法。因此,社交网络中的个性化推荐已成为一个研究热点,逐渐受到了学者们的关注。协作过滤算法是应用最为广泛的个性化推荐算法,本文首先针对协作过滤算法应用于社交网络中存在推荐精度不高的问题,提出基于用户信任度和社会相似度的协作过滤算法。然后对上述算法做进一步优化提出基于社交网络用户相似度聚类的协作过滤算法。最后利用所提出的推荐算法开发了一个面向社交网络的推荐系统。本文主要研究内容如下:(1)针对协作过滤算法应用于社交网络中存在推荐精度不高的问题,提出一个基于用户信任度和社会相似度的协作过滤算法。该算法首先通过社交网络计算用户信任度和社会相似度,并依据用户-项目评分数据计算用户相似度。然后将用户相似度、用户信任度和社会相似度进行融合并据此形成最近邻集。最后利用优化的评分预测公式依据最近邻集中的用户-项目评分数据生成给目标用户的推荐结果。实验结果表明该算法较其他算法在解决社交网络的推荐问题时有更高的推荐精度,但其执行效率会随着社交网络规模的增大而降低。(2)针对基于用户信任度和社会相似度的协作过滤算法的执行效率随社交网络规模增大而有所下降的问题,提出一个基于社交网络用户相似度聚类的协作过滤算法。该算法首先根据用户在社交网络中的属性信息及互动行为计算社交网络用户相似度。然后根据社交网络用户相似度利用改进的k-means算法对用户进行聚类从而形成多个不同的用户簇。最后在每个用户簇上利用基于用户信任度和社会相似度的协作过滤算法产生推荐结果。实验结果表明该算法在处理大规模社交网络数据集时不仅显著降低了运行时间也提高了推荐精度,很好的解决了基于用户信任度和社会相似度的协作过滤算法存在的问题。(3)设计并实现了一个面向社交网络的推荐系统,并将上述两种推荐算法应用到该系统的推荐模块。
【关键词】：协作过滤 社交网络 个性化推荐 推荐系统
【学位授予单位】：江苏大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要4-6
• Abstract6-11
• 第一章 绪论11-17
• 1.1 研究背景与意义11-12
• 1.2 国内外研究现状12-14
• 1.3 论文研究内容14-16
• 1.4 论文组织结构和内容安排16-17
• 第二章 相关理论知识17-26
• 2.1 社交网络的相关概念17-19
• 2.1.1 社交网络概述17
• 2.1.2 社交网络的定义与表示17-18
• 2.1.3 基础社交网络理论18-19
• 2.2 协作过滤算法的相关概念19-24
• 2.2.1 协作过滤算法基本思想和步骤19
• 2.2.2 用户-项目评分矩阵的表示19-20
• 2.2.3 用户相似性度量方法20-21
• 2.2.4 邻居集合的形成21
• 2.2.5 推荐结果的产生21-22
• 2.2.6 协作过滤算法分类22-24
• 2.3 聚类算法的相关概念24-25
• 2.3.1 聚类分析概述24
• 2.3.2 聚类算法分类24-25
• 2.4 本章小结25-26
• 第三章 基于用户信任度和社会相似度的协作过滤算法26-39
• 3.1 引言26-27
• 3.2 用户信任度计算27-29
• 3.2.1 用户网络的定义27-28
• 3.2.2 直接信任度计算28
• 3.2.3 间接信任度计算28
• 3.2.4 用户信任度计算28-29
• 3.3 社会相似度计算29
• 3.4 UTSSCF算法29-32
• 3.4.1 用户相似度计算30
• 3.4.2 用户相似度、用户信任度和社会相似度的融合30
• 3.4.3 评分预测公式30-31
• 3.4.4 改进的评分预测公式31
• 3.4.5 算法描述31-32
• 3.5 实验设计与分析32-38
• 3.5.1 实验数据来源32-33
• 3.5.2 实验评价标准33-34
• 3.5.3 实验结果与分析34-38
• 3.6 本章小结38-39
• 第四章 基于社交网络用户相似度聚类的协作过滤算法39-54
• 4.1 引言39-40
• 4.2 社交网络用户相似度40-42
• 4.2.1 用户属性相似度计算40
• 4.2.2 用户互动相似度计算40-42
• 4.2.3 社交网络用户相似度计算42
• 4.3 SNUSC算法42-44
• 4.3.1 Prime算法的基本思想43
• 4.3.2 SNUSC算法描述43-44
• 4.4 SNUSCCF算法44-45
• 4.5 实验设计与分析45-53
• 4.5.1 实验数据来源45
• 4.5.2 实验评价标准45-46
• 4.5.3 实验结果与分析46-53
• 4.6 本章小结53-54
• 第五章 面向社交网络的推荐系统的设计与实现54-72
• 5.1 推荐系统需求分析54-59
• 5.1.1 推荐系统功能需求分析54-55
• 5.1.2 推荐系统用例模型分析55-56
• 5.1.3 推荐系统工作流程56-59
• 5.2 推荐系统功能模块的设计59-61
• 5.2.1 每日书摘推荐模块设计59-60
• 5.2.2 图书推荐模块设计60-61
• 5.2.3 朋友推荐模块设计61
• 5.3 推荐系统数据库设计61-65
• 5.3.1 数据库概念设计系统实体E-R图61-62
• 5.3.2 数据库表设计62-65
• 5.4 推荐系统的实现65-71
• 5.4.1 每日书摘推荐的实现65-67
• 5.4.2 图书推荐的实现67-70
• 5.4.3 朋友推荐的实现70-71
• 5.5 本章小结71-72
• 第六章 总结与展望72-74
• 6.1 本文工作总结72-73
• 6.2 未来工作展望73-74
• 致谢74-75
• 参考文献75-80
• 在学习期间的研究成果及发表的学术论文80

【相似文献】

中国期刊全文数据库 前10条

1 ;基于位置的手机社交网络“贝多”正式发布[J];中国新通信;2008年06期

2 曹增辉;;社交网络更偏向于用户工具[J];信息网络;2009年11期

3 ;美国:印刷企业青睐社交网络营销新方式[J];中国包装工业;2010年Z1期

4 李智惠;柳承烨;;韩国移动社交网络服务的类型分析与促进方案[J];现代传播(中国传媒大学学报);2010年08期

5 贾富;;改变一切的社交网络[J];互联网天地;2011年04期

6 谭拯;;社交网络:连接与发现[J];广东通信技术;2011年07期

7 陈一舟;;社交网络的发展趋势[J];传媒;2011年12期

8 殷乐;;全球社交网络新态势及文化影响[J];新闻与写作;2012年01期

9 许丽;;社交网络:孤独年代的集体狂欢[J];上海信息化;2012年09期

10 李玲丽;吴新年;;科研社交网络的发展现状及趋势分析[J];图书馆学研究;2013年01期

中国重要会议论文全文数据库 前10条

1 赵云龙;李艳兵;;社交网络用户的人格预测与关系强度研究[A];第七届（2012）中国管理学年会商务智能分会场论文集（选编）[C];2012年

2 宫广宇;李开军;;对社交网络中信息传播的分析和思考——以人人网为例[A];首届华中地区新闻与传播学科研究生学术论坛获奖论文[C];2010年

3 杨子鹏;乔丽娟;王梦思;杨雪迎;孟子冰;张禹;;社交网络与大学生焦虑缓解[A];心理学与创新能力提升——第十六届全国心理学学术会议论文集[C];2013年

4 毕雪梅;;体育虚拟社区中的体育社交网络解析[A];第九届全国体育科学大会论文摘要汇编(4)[C];2011年

5 杜p，

本文编号：879946