融合多关系的社会化推荐算法研究

发布时间：2021-06-23 14:48

　　随着大数据时代的到来,互联网上的信息飞速地增长,这在给人们更多选择的同时,也带来了信息过载问题。推荐系统就是在这种背景下产生的。融合社交网络信息的社会化推荐算法是目前推荐系统中普遍采用的方法,而现有的社会化推荐算法都只考虑一种关系对推荐结果的影响。在现实的社交网络中,用户间存在多种关系,而每种关系对于推荐的影响是不同的,因此在推荐中单纯引入某一种社交关系必然影响推荐结果的准确率。为了探究用户间的多种社交关系对推荐效果的影响,本文进行了融合多关系的社会化推荐算法的研究,并在真实数据集上进行了实验和分析,具体的研究内容和研究成果如下:1.物质扩散算法是基于邻域的协同过滤算法的一种。本文提出了基于多子网复合复杂网络模型（简称复合网）的物质扩散算法。采用复合网模型构建了用户商品评分网络和用户社交网络,并通过加载运算把网络转化为空间向量,节点间的相互关系映射成空间向量中的多维向量,最终将这多个网络融合成一个新的复合网,通过物质扩散原理将目标用户所购买商品的初始能量在新合成的复合网上传播,根据传播后商品获得的最终能量大小,得出-商品推荐给用户。通过实验对比得知,引入用户间多种社交关系可以有效提高推... 

【文章来源】：青岛大学山东省

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

推荐系统流程图

青岛大学硕士学位论文9图2.2基于内容的推荐算法的框架图在基于内容的推荐算法中，项目特征提取是十分关键的一步，项目特征提取的准确度直接影响项目描述准确度，进而影响推荐的效果。TF-IDF[44]是一种常用的特征提取方法：,=,()公式2-(1)其中，TF是在文件中的词频，是逆向文件频率，表示该词对文本的重要程度。采用向量可以表示文件中的内容:=(1,…,)公式2-(2)采用余弦公式计算不同特征向量间的相似度[45]：,=22公式2-(3)基于内容的推荐算法有以下几个优点：(1)算法的可解释性强。该算法主要是通过将用户兴趣特征和待推荐商品特征进行匹配，将与用户兴趣特征相似的商品推荐给用户。因此，被推荐的商品往往更符合用户的兴趣，具有良好的解释性和说服性。推荐结果的解释性越强，用户对推荐商品的接受度越高，推荐的效果就越好。

青岛大学硕士学位论文11图2.3基于用户推荐的模型图基于物品的协同过滤推荐算法依据用户自身的喜好为其推荐符合其兴趣爱好的商品。该算法主要思想是计算不同商品之间的相似度，找出与目标用户评分过商品相似的商品。假设目标用户对某类商品的评分很高，那么用户很可能会喜与这个商品相似的其他商品[53]。如图2.4，用户3对商品A感兴趣，同时商品A和商品C相似，那么推荐算法预测用户3可能会对商品C感兴趣，继而商品C会被推荐给用户3。图2.4基于物品推荐的模型图在基于用户的和商品的协同过滤推荐算法中，计算用户间或者商品间的相似度是十分重要的。以基于用户的协同过滤推荐算法为例：该算法认为评分相似的用户具有相似的兴趣，该算法主要流程是先获取用户对商品的评分信息，依据这些评分信息计算不同用户之间的相似度，找到与目标用户

【参考文献】：
期刊论文
[1]基于多关系社交网络的协同过滤推荐算法[J]. 宾晟,孙更新.  计算机科学. 2019(12)
[2]结合概率矩阵分解的混合型推荐算法[J]. 杨丰瑞,郑云俊,张昌.  计算机应用. 2018(03)
[3]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅.  计算机学报. 2018(07)
[4]基于融合卷积神经网络的协同过滤模型[J]. 杨锡慧.  软件导刊. 2017(12)
[5]一种融合隐式信任关系的推荐算法[J]. 胡惠成,陈平华.  广东工业大学学报. 2017(03)
[6]融合社交网络特征的协同过滤推荐算法[J]. 郭宁宁,王宝亮,侯永宏,常鹏.  计算机科学与探索. 2018(02)
[7]基于多子网复合复杂网络模型的多关系社交网络重要节点发现算法[J]. 宾晟,孙更新.  南京大学学报(自然科学). 2017(02)
[8]融合社交网络的物质扩散推荐算法[J]. 邓小方,钟元生,吕琳媛,王明文,熊乃学.  山东大学学报(理学版). 2017(03)
[9]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[10]融合社交网络信息的协同过滤推荐算法[J]. 郭兰杰,梁吉业,赵兴旺.  模式识别与人工智能. 2016(03)

博士论文
[1]多子网复合复杂网络模型及其相关性质的研究[D]. 隋毅.青岛大学 2012

硕士论文
[1]基于多因素的矩阵分解推荐算法研究与实现[D]. 张文博.北京邮电大学 2019



本文编号：3245136