社交距离感知贝叶斯个性化排序推荐算法研究

发布时间：2021-08-04 04:43

　　推荐系统的用户反馈包含显示反馈和隐式反馈,显示反馈通常是指用户对物品的数值评分,而隐式反馈通常是以二元形式描述的用户对物品的交互行为。由于在实际的应用场景下显示反馈难以获取,因此推荐系统需要利用易于获取的隐式反馈学习用户的偏好。由于隐式反馈数据具有高度稀疏性,采用基于评分的方法估计用户对物品的数值评分难以获得好的效果,而采用基于排序的方法通过估计用户对物品的相对偏好可以避免隐式反馈数据的稀疏性。近年来,社交网络被引入推荐系统用于提升推荐的准确率,由于社交网络中的朋友间通常具有相似的爱好,因此可以利用用户的朋友的偏好来估计用户自己的偏好。现有的社交推荐方法只考虑了用户在社交网络中直接朋友,而没有考虑用户间的影响在社交网络中的传播过程。因此现有方法无法充分利用社交网络的图结构信息,限制了其推荐的准确率。针对现有方法的不足之处,提出一种社交距离感知贝叶斯个性化排序推荐算法（Social Distance-aware Bayesian Personalized Ranking,SDBPR）,其核心思想是采用直接对用户的物品偏好排序进行建模的方式避免隐式反馈数据的稀疏性,并通过考虑任意两个多步距... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

搜索引擎工作流程

图 1-2 推荐系统工作流程统在人们的日常生活中非常流行并且已经被许azon 在用户在线购物时为用户推荐其可能感兴荐其可能喜爱的视频[2]。这些推荐系统的存在一，另一方面也提升了企业的收益。由于推荐系统学界的大量研究人员投身于此，使得这个领域在个性化是推荐系统存在的两种不同形式，前者会，而后者对所有用户都会生成相同的推荐结果。法比较简单，典型的方案是计算每种物品在全迎程度最高的物品推荐给所有用户。相比较而言类较多且形式复杂，其推荐效果优于比非个性化泛，现有的关于推荐系统的研究大部分都关注于

模型用于解决推荐所面临的瓶颈。推荐问题的定义际的推荐系统通常可分为多个模块，各个模块分别负责不同的职责[44]系统基本架构如图 2-1 所示，其中主要包括用户信息采集模块、物品信用户行为记录模块、推荐算法模块。用户信息采集模块用于记录系统中息，如果推荐系统中包含社交网络的话，那么用户在社交网络中的信息息采集模块所记录，物品信息采集模块记录物品的基本信息，用户行为用户在系统中的各种行为。推荐算法模块是推荐系统最重要的一个模块上决定了最终的推荐性能。推荐算法所需要的数据包括其他三个模块，通过这些数据学习用户对物品的偏好情况，然后为系统中的用户推荐的物品。


本文编号：3321028