基于隐含相似度和度量学习的社会化推荐算法研究

发布时间：2021-06-25 15:23

　　传统的推荐系统通常主要专注于充分利用用户-项目的评分信息,而随着推荐系统应用场景的不断扩展,仅仅依据用户-项目间的二元评分关系进行相关推荐,往往无法获得令人满意的推荐效果。社会化推荐系统将社交信息作为辅助数据,试图通过考虑社交网络中的社交关系和评分数据来提高推荐系统评分预测和项目排序推荐任务的准确性。目前,学者们针对社会化推荐算法取得了一系列研究成果,但依然存在如下不足:（1）虽然已将社交关系融入了相似度的计算之中,但是社交关系和评分数据中的隐含信息并未得到充分挖掘;（2）社会化推荐算法采用了矩阵分解中点积方式,这种方式的固有不足会造成推荐结果的误差;（3）评分预测和项目排序是推荐系统的两大任务,虽然可通过融入社交关系来提高推荐准确率,但项目排序的依据依然是评分信息。针对以上存在的问题,本文重点开展了如下工作:（1）提出了一种融合信任关系和用户隐含相似度的推荐算法。该算法同时考虑用户分别作为信任者和被信任者时与其好友间的相似度,间接实现了信任传递,从而更全面利用了评分信息和信任关系的隐含信息。同时,算法利用用户特征向量来计算用户的评分相似度,而不需考虑共同评分集合;利用信任关系的特征向... 

【文章来源】：西南大学重庆市 211工程院校 教育部直属院校

【文章页数】：84 页

【学位级别】：硕士

【部分图文】：

曼哈顿距离示例

【参考文献】：
期刊论文
[1]谈谈“推荐系统”和“搜索引擎”[J]. 陈运文.  计算机与网络. 2017(24)
[2]融合社交信息的矩阵分解推荐方法研究综述[J]. 刘华锋,景丽萍,于剑.  软件学报. 2018(02)
[3]一种基于信任关系隐含相似度的社会化推荐算法[J]. 潘一腾,何发智,于海平.  计算机学报. 2018(01)
[4]基于用户相似度的协同过滤推荐算法[J]. 荣辉桂,火生旭,胡春华,莫进侠.  通信学报. 2014(02)

博士论文
[1]社交媒体中的个性化推荐关键技术研究[D]. 李舒辰.北京邮电大学 2018
[2]基于马氏距离的度量学习算法研究及应用[D]. 梅江元.哈尔滨工业大学 2016
[3]推荐系统关键技术研究[D]. 任磊.华东师范大学 2012



本文编号：3249450