基于社交网络分析的推荐算法研究

发布时间：2021-09-23 21:19

　　随着移动互联网的发展以及智能手机的普及,人们在享受科技带来便捷的同时,信息过载问题变得日益严峻。如何帮助用户从海量的数据中,准确挑选出用户感兴趣的信息推荐给用户,这就是推荐系统所要解决的问题。在线购物或点评网站如Amazno、Epinions的快速兴起,使得这些服务提供商所获取数据的稀疏性和分散性问题变得日益严峻。这就会导致根据这些稀疏分散的数据所进行的相关推荐,准确性和推荐质量都会严重下降,使得用户无法获得满意的推荐结果。而传统的推荐方法如协同过滤方法,具有一些固有的问题如冷启动,推荐效率和准确度不高的问题。并且当用户和项目规模增加时,协同过滤算法的推荐性能下降很快。由于传统推荐算法的不足,需要改变已有的推荐方式并引入新的数据源来提升算法的推荐质量,提高系统的推荐性能。另一方面现有的推荐算法只能根据用户的所有历史反馈信息进行挖掘,预测用户的偏好。而这些反馈信息是融合在一起的,并没有先后次序之分,算法忽略了用户的短期的偏好,只考虑了用户的长期偏好。众所周知一个人的某些偏好并不是一成不变的,而是会随着时间的推移而改变,所以挖掘出用户的短期偏好对于推荐系统来说尤为重要。针对传统推荐方法的不... 

【文章来源】：黑龙江大学黑龙江省

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
第一章 绪论
    1.1 研究目的和意义
    1.2 国内外研究现状
    1.3 现有方法存在的主要问题
    1.4 本文主要研究内容
    1.5 本文的组织安排
第二章 背景知识
    2.1 基于邻域的推荐算法
    2.2 聚类算法
    2.3 Next-Basket推荐
    2.4 社区发现模块度
    2.5 本章小结
第三章 基于社交信任聚类的推荐
    3.1 引言
    3.2 相关工作
    3.3 预备知识
        3.3.1 算法框架
        3.3.2 用户关系数据预处理
        3.3.3 用户相似性计算
    3.4 信任关系聚类
        3.4.1 信任值预测
        3.4.2 评分预测
    3.5 实验结果与分析
        3.5.1 实验数据
        3.5.2 评价标准
        3.5.3 参数的选择
        3.5.4 推荐性能对比
    3.6 本章小结
第四章 基于社区发现的马尔可夫序列推荐
    4.1 引言
    4.2 相关工作
    4.3 Next-Basket推荐的马尔可夫模型
    4.4 融合社区发现的个性化马尔可夫模型
        4.4.1 个性化马尔可夫模型
        4.4.2 遗忘属性
        4.4.3 社区发现
        4.4.4 项目相似性
    4.5 实验结果与分析
        4.5.1 数据集及实验环境
        4.5.2 评价标准
        4.5.3 遗忘属性的影响
        4.5.4 推荐性能对比
    4.6 本章小结
结论
参考文献
致谢
攻读硕士学位期间发表的学术论文


【参考文献】：
期刊论文
[1]社交网络环境下基于信任的推荐算法[J]. 陈婷,朱青,周梦溪,王珊.  软件学报. 2017(03)



本文编号：3406434