基于社交关系挖掘及影响力分析的推荐算法研究

发布时间：2021-07-19 18:20

　　随着互联网的普及,网络上信息量大幅度增长,使得用户难以从海量信息中发现自己需要的信息,对信息的利用效率反而降低了,带来了信息过载问题。推荐系统通过探究用户的兴趣偏好,自动发掘用户的兴趣点,从而推荐给用户其可能感兴趣的信息,解决了信息过载问题。协同过滤推荐算法具有简单、高效、易部署等优点,在推荐系统中得到了广泛应用。但传统的协同过滤推荐算法只利用用户对项目的评分数据进行推荐,面临着数据稀疏性、冷启动等诸多问题,使得推荐结果的准确性较差。本文针对传统协同过滤算法中的数据稀疏性问题,将用户之间的社交关系结合到推荐算法当中,以提高推荐系统的准确性,并在一定程度上解决用户冷启动问题。本文的研究工作和创新点如下:（1）分析了推荐系统中的用户在社交网络中的拓扑影响力,提出了一种基于协同过滤的社会化推荐算法。在矩阵分解算法的基础上,结合了用户拓扑影响力以及全局影响力。用户拓扑影响力约束用户与其信任好友之间、网络中重要用户之间偏好的相近程度,全局影响力约束某用户的评分在预测评分误差函数中的权重。在两个真实数据集上的实验结果表明,该算法相比于其它对比算法,可以为系统中全部用户和冷启动用户提供更准确的评分预... 

【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

推荐系统结构图

图２－３社会化推荐系统示例〖２７］１＿８??Ｆｉｇｕｒｅ?２－３?Ａ?Ｓａｍｐｌｅ?Ｓｏｃｉａｌ?Ｒｅｃｏｍｍｅｎｄｅｒ?Ｓｙｓｔｅｍ１２７１１＇８??

图３－１基于信任的推荐示例??Ｆｉｇｕｒｅ?３－１?Ｅｘａｍｐｌｅ?ｆｏｒ?Ｔｒｕｓｔ?Ｂａｓｅｄ?Ｒｅｃｏｍｍｅｎｄａｔｉｏｎ??

【参考文献】：
期刊论文
[1]基于稀疏数据预处理的协同过滤推荐算法[J]. 陈宗言,颜俊.  计算机技术与发展. 2016(07)
[2]社会化推荐系统研究[J]. 孟祥武,刘树栋,张玉洁,胡勋.  软件学报. 2015(06)
[3]协同过滤推荐系统研究综述[J]. 杨强,杨有,余春君.  现代计算机(专业版). 2015(13)

硕士论文
[1]社交网络中基于协同过滤的推荐算法研究[D]. 宋郝开.西安电子科技大学 2018



本文编号：3291192