基于用户信任影响力的社会化推荐算法研究

发布时间：2017-10-04 07:08

  本文关键词：基于用户信任影响力的社会化推荐算法研究

  更多相关文章： 协同过滤 冷启动 数据稀疏 社交网络 信任影响力

【摘要】：随着移动互联网、自媒体、社交网络的快速发展,互联网出现了“信息过载”问题。作为搜索引擎之后一个革命性的技术,推荐系统以其能发现用户潜在需求、提高人们选择和筛选物品的效率之特点正成为业界关注的热点。协同过滤是推荐系统一个重要算法,它仅依赖用户评分信息,原理简单而且高效,然而却存在冷启动和数据稀疏性问题。矩阵分解和引入社交网络信息是解决冷启动和数据稀疏性问题的其中一种方式。矩阵分解即将原有评分矩阵信息进行低秩分解,然后利用低阶子矩阵对原有评分矩阵进行拟合,从而将评分预测问题转化成为最优化目标函数求解问题,一方面可以通过梯度下降等方法求解用户和物品的潜因子特征量,另一方面引入更多与用户和物品相关的辅助信息,正则化用户和物品特征向量,从而产生更加准确的预测模型。社会化推荐算法引入了社交网络中用户的信任信息,不过这些算法通常只使用了相邻信任用户信息,忽略了社交网络中用户之间的连通性以及间接用户信任影响力,导致预测准确性不足。针对上述预测准确性问题,本文主要完成了如下三方面工作：第一、提出了一种基于用户信任影响力强度的社会化推荐算法。首先根据社交网络的连通性进行迭代计算,求得社交网络中用户的信任影响力值；然后,根据用户影响力大小,将近邻相似用户与信任影响力因素进行融合；最后,对评分矩阵分解得到的用户和物品的低阶特征信息矩阵进行正则化求解,以此预测用户对物品的评分。第二、从概率的角度将提出了的算法与基于物品的矩阵分解方法进行了推导整合。用户信任网络信息的引入较好地解决了用户冷启动问题,为了同时解决物品的冷启动问题,将物品相似性图信息引入到了用户评分矩阵中,通过基于概率的矩阵分解推导得到最终模型并进行了梯度求解,最后基于LibRec进行了算法实现。实验对比发现,相比已有的社会化推荐算法,本文算法提高了准确度,并能改善推荐系统对冷启动用户和物品的预测评分。第三、完成了本文提出算法的分布式实现。通过模型的设计,最终将评分预测问题转化为最优化求解问题,对比分析了几种常见的优化求解方法；同时,为了解决算法在大规模数据集上计算性能问题,本文完成了基于更加适合迭代计算的Apache Spark上的分布式算法设计和实现。
【关键词】：协同过滤 冷启动 数据稀疏 社交网络 信任影响力
【学位授予单位】：广东工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要4-6
• ABSTRACT6-12
• 第一章 绪论12-18
• 1.1 背景与意义12-13
• 1.2 国内外文献分析13-15
• 1.3 主要研究内容及创新点15-16
• 1.4 本文结构及内容组织16-18
• 第二章 社会化推荐相关概念18-26
• 2.1 问题描述18-20
• 2.2 评估标准20-21
• 2.3 协同过滤推荐算法21-23
• 2.3.1 基于用户的协同过滤算法21-22
• 2.3.2 基于物品的协同过滤算法22-23
• 2.4 评分偏置处理23-24
• 2.5 推荐通算法库LibRec24-26
• 第三章 矩阵分解与模型推导26-36
• 3.1 矩阵分解算法26-28
• 3.2 矩阵分解与社会化推荐28-29
• 3.3 SocialMF模型推导29-32
• 3.4 ItemMF算法推导32-34
• 3.5 本章小结34-36
• 第四章 基于用户信任影响力的推荐算法36-44
• 4.1 问题分析36
• 4.2 模型设计36-40
• 4.3 算法复杂度分析40-41
• 4.4 模型训练方法41-44
• 4.4.1 用户信任影响力求解41
• 4.4.2 分布算法实现41-43
• 4.4.3 最优化求解43-44
• 第五章 实验设计与结果分析44-52
• 5.1 数据集描述44-45
• 5.2 选择及评估标准45
• 5.3 对比算法45-46
• 5.4 超参数对结果的影响46-47
• 5.5 结果分析47-48
• 5.6 冷启用户和物品的性能分析48-49
• 5.7 分布式算法对比分析49-52
• 结论52-54
• 参考文献54-60
• 攻读学位期间发表论文60-64
• 致谢64

【相似文献】

中国期刊全文数据库 前10条

1 徐义峰;徐云青;刘晓平;;一种基于时间序列性的推荐算法[J];计算机系统应用;2006年10期

2 余小鹏;;一种基于多层关联规则的推荐算法研究[J];计算机应用;2007年06期

3 张海玉;刘志都;杨彩;贾松浩;;基于页面聚类的推荐算法的改进[J];计算机应用与软件;2008年09期

4 张立燕;;一种基于用户事务模式的推荐算法[J];福建电脑;2009年03期

5 王晗;夏自谦;;基于蚁群算法和浏览路径的推荐算法研究[J];中国科技信息;2009年07期

6 周珊丹;周兴社;王海鹏;倪红波;张桂英;苗强;;智能博物馆环境下的个性化推荐算法[J];计算机工程与应用;2010年19期

7 王文;;个性化推荐算法研究[J];电脑知识与技术;2010年16期

8 张恺;秦亮曦;宁朝波;李文阁;;改进评价估计的混合推荐算法研究[J];微计算机信息;2010年36期

9 夏秀峰;代沁;丛丽晖;;用户显意识下的多重态度个性化推荐算法[J];计算机工程与应用;2011年16期

10 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

中国重要会议论文全文数据库 前10条

1 王韬丞;罗喜军;杜小勇;;基于层次的推荐:一种新的个性化推荐算法[A];第二十四届中国数据库学术会议论文集（技术报告篇）[C];2007年

2 唐灿;;基于模糊用户心理模式的个性化推荐算法[A];2008年计算机应用技术交流会论文集[C];2008年

3 秦国;杜小勇;;基于用户层次信息的协同推荐算法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

4 周玉妮;郑会颂;;基于浏览路径选择的蚁群推荐算法:用于移动商务个性化推荐系统[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年

5 苏日启;胡皓;汪秉宏;;基于网络的含时推荐算法[A];第五届全国复杂网络学术会议论文（摘要）汇集[C];2009年

6 梁莘q，

本文编号：969271