融合社会辅助信息的个性化推荐算法研究
发布时间：2021-04-05 13:01
随着互联网的广泛应用和智能化终端的大量涌现,充斥在网络之中的信息资源呈爆炸式增长,对用户有价值的信息往往被繁杂冗余的海量信息所淹没,用户难以从中进行有效定位,这便产生了“信息过载”问题。推荐系统是用于解决信息过载问题而被设计的有效工具,旨在主动为用户推荐可能感兴趣的事物,协同过滤推荐是其中应用和研究最为广泛的。然而,由于数据稀疏性和冷启动等问题的存在,系统所生成的推荐质量已经愈发难以满足用户的实际需求了。近年来,广泛流行的社交网络蕴含丰富的价值信息可用于推荐过程中,为推荐系统形成高质量的推荐奠定了物质基础。因此本文以协同过滤为模型,去有效融合社交网络中信息数据,从而设计相应的算法为用户生成高质量的推荐项。本文的主要工作和创新如下:1.针对现有的协同过滤推荐算法在融合社交信息时并没有将用户的信任程度进行区分,而根据社会学中的相关理论表明,用户在社交网络中的影响力越大在一定程度上反映了相关意见被采纳的可能性更高,因此本文为了建立更为准确的用户社交特征属性,将信任的建立、传播和影响因素纳入研究范围内,并将其引入到概率矩阵分解模型的推荐过程中,用于解决推荐系统在稀疏的数据集上推荐不佳的情况。通...
【文章来源】：重庆邮电大学重庆市
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
参数S对推荐准确度的影响
重庆邮电大学硕士学位论文第3章融合社交影响力的概率矩阵分解推荐方法29图3.4参数S对推荐准确度的影响图3.5参数C对推荐准确度的影响分析实验数据，从图3.4可以看出，随着S的数值增加,MAE值在两个数据集中都表现出先降后增的趋势，其中在Epinions.com数据集中，当=4S时表示该方法取得最优的推荐精度，而在Douban数据集中，当=5S时取得最优的推荐精度。分析原因可得，当用户的信任数目小于某个阈值时，建立的信任模型不足以反映用户的兴趣偏好，但信任的数目一旦超过阈值时，相应的噪音数据也会增加从而导致推荐准确率出现下滑的情况。从图3.5可以看出，当固定参数S时，MAE的值会
重庆邮电大学硕士学位论文第3章融合社交影响力的概率矩阵分解推荐方法30随着参数C的增加也呈现先降后增的趋势，在Epinions.com和Douban数据集中，当C的取值分别为10和15时有最优的推荐效果。显然参数的不同取得的推荐效果也不同。2.隐因子f的影响参数f表示影响用户评分的少量潜在因子，是推荐性能的重要影响参数。在实验过程中，对参数S和参数C进行固定，以5为步长将f的值进行变化，取值范围为550耄。本节对训练和测试进行了5次交叉验证。每个数据集被分成5份，每次4份用于训练，其余的用于测试。进行5次实验，以保证每份数据都能被用于测试。取平均值作为最终的实验结果。对MAE的影响具体如图3.6所示图3.6参数f对推荐准确度的影响分析实验数据，在Epinions.com和Douban两个数据集中，MAE的变化趋势将随着f的增加呈现出现降后增的趋势，其中分别在维度为10和15上取得最佳推荐结果。分析原因可得，隐因子的维度没有超出某个阈值时，增加其值可有助于对用户的兴趣特征进行准确地建模，而一旦超过某个阈值后，增加其值将产生影响推荐性能的噪音数据，从而导致MAE的值出现不降而增加的情况。3.4.3实验对比分析为了验证所提方法的有效性，本研究使用以下算法来与本章所提算法作比较：1．PMF[17]：该算法是由Salakhutdinov等人将概率应用于矩阵分解模型，从而
【参考文献】：
期刊论文
[1]基于深度神经网络的带有评论文本的推荐模型[J]. 孙俊,朱信忠. 信息与电脑(理论版). 2020(01)
[2]机器学习综述[J]. 孔欣然. 电子制作. 2019(24)
[3]六度空间理论的图论法证明及应用[J]. 袁宇丽. 计算机时代. 2019(12)
[4]融合时序的决策树推荐算法研究[J]. 徐志熹,钱洋,苏扬. 现代计算机. 2019(34)
[5]基于Hadoop和MapReduce的商品推荐[J]. 陶冶. 计算机时代. 2019(07)
[6]耦合社会信任信息的矩阵分解协同过滤模型[J]. 蒋伟,秦志光. 电子科技大学学报. 2019(03)
[7]基于项目属性权重的协同过滤推荐算法[J]. 李转运,孙翠敏. 新乡学院学报. 2019(03)
[8]协同过滤算法中冷启动问题研究[J]. 邵煜,谢颖华. 计算机系统应用. 2019(02)
[9]基于信任机制下概率矩阵分解的用户评分预测[J]. 杜东舫,徐童,鲁亚男,管楚,刘淇,陈恩红. 软件学报. 2018(12)
[10]基于标签权重的协同过滤推荐算法[J]. 雷曼,龚琴,王纪超,王保群. 计算机应用. 2019(03)
本文编号：3119681
【文章来源】：重庆邮电大学重庆市
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
参数S对推荐准确度的影响
重庆邮电大学硕士学位论文第3章融合社交影响力的概率矩阵分解推荐方法29图3.4参数S对推荐准确度的影响图3.5参数C对推荐准确度的影响分析实验数据，从图3.4可以看出，随着S的数值增加,MAE值在两个数据集中都表现出先降后增的趋势，其中在Epinions.com数据集中，当=4S时表示该方法取得最优的推荐精度，而在Douban数据集中，当=5S时取得最优的推荐精度。分析原因可得，当用户的信任数目小于某个阈值时，建立的信任模型不足以反映用户的兴趣偏好，但信任的数目一旦超过阈值时，相应的噪音数据也会增加从而导致推荐准确率出现下滑的情况。从图3.5可以看出，当固定参数S时，MAE的值会
重庆邮电大学硕士学位论文第3章融合社交影响力的概率矩阵分解推荐方法30随着参数C的增加也呈现先降后增的趋势，在Epinions.com和Douban数据集中，当C的取值分别为10和15时有最优的推荐效果。显然参数的不同取得的推荐效果也不同。2.隐因子f的影响参数f表示影响用户评分的少量潜在因子，是推荐性能的重要影响参数。在实验过程中，对参数S和参数C进行固定，以5为步长将f的值进行变化，取值范围为550耄。本节对训练和测试进行了5次交叉验证。每个数据集被分成5份，每次4份用于训练，其余的用于测试。进行5次实验，以保证每份数据都能被用于测试。取平均值作为最终的实验结果。对MAE的影响具体如图3.6所示图3.6参数f对推荐准确度的影响分析实验数据，在Epinions.com和Douban两个数据集中，MAE的变化趋势将随着f的增加呈现出现降后增的趋势，其中分别在维度为10和15上取得最佳推荐结果。分析原因可得，隐因子的维度没有超出某个阈值时，增加其值可有助于对用户的兴趣特征进行准确地建模，而一旦超过某个阈值后，增加其值将产生影响推荐性能的噪音数据，从而导致MAE的值出现不降而增加的情况。3.4.3实验对比分析为了验证所提方法的有效性，本研究使用以下算法来与本章所提算法作比较：1．PMF[17]：该算法是由Salakhutdinov等人将概率应用于矩阵分解模型，从而
【参考文献】：
期刊论文
[1]基于深度神经网络的带有评论文本的推荐模型[J]. 孙俊,朱信忠. 信息与电脑(理论版). 2020(01)
[2]机器学习综述[J]. 孔欣然. 电子制作. 2019(24)
[3]六度空间理论的图论法证明及应用[J]. 袁宇丽. 计算机时代. 2019(12)
[4]融合时序的决策树推荐算法研究[J]. 徐志熹,钱洋,苏扬. 现代计算机. 2019(34)
[5]基于Hadoop和MapReduce的商品推荐[J]. 陶冶. 计算机时代. 2019(07)
[6]耦合社会信任信息的矩阵分解协同过滤模型[J]. 蒋伟,秦志光. 电子科技大学学报. 2019(03)
[7]基于项目属性权重的协同过滤推荐算法[J]. 李转运,孙翠敏. 新乡学院学报. 2019(03)
[8]协同过滤算法中冷启动问题研究[J]. 邵煜,谢颖华. 计算机系统应用. 2019(02)
[9]基于信任机制下概率矩阵分解的用户评分预测[J]. 杜东舫,徐童,鲁亚男,管楚,刘淇,陈恩红. 软件学报. 2018(12)
[10]基于标签权重的协同过滤推荐算法[J]. 雷曼,龚琴,王纪超,王保群. 计算机应用. 2019(03)
本文编号：3119681
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3119681.html
最近更新
教材专著
