结合动态信任的推荐系统研究

发布时间：2021-10-28 11:18

　　互联网的发展使在线社交网络越来越引起人们的重视。利用在线社交网络的多种应用中,推荐系统占有举足轻重的地位,多种在线社交应用都利用推荐系统算法进行用户群的扩充和个性化的推荐,用户对推荐结果的接受程度也影响着推荐算法的性能。信任作为一种主观的概念,在社交网络的参与者进行决策的过程中担任着十分重要的角色,同时,其主观性使得信任的间接传递和映射问题变得十分值得探讨。因此,相较于其他在决策过程中需要考虑的因素,信任更加被相关的研究者所重视。然而,在目前的信任推荐系统中,一些信任传播过程的关键性的问题还有待于研究,这使得一些信任模型并不能给出参与者准确且优质的推荐信息。在信任推荐系统的发展过程中,许多学者都针对此问题提出了不同的信任映射和传播方法,构建了不同的信任传播模型。他们希望利用提出的模型进行更加个性化的推测,从而使参与者得到更加精准的信任推荐结果。本文考虑用户间信任变化过程及信任的动态性,提出了一种结合强化学习的用户信任增强方法,该方法可以应用于结合信任的推荐系统中。结合信任的推荐系统是以社交网络为基础的一种重要推荐系统应用,其结合用户之间的信任关系对用户进行项目推荐,以求得更加准确、更符... 

【文章来源】：烟台大学山东省

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景
    1.2 国内外研究现状
    1.3 研究内容和组织结构
2 相关方法与理论基础
    2.1 信任及信任网络相关概念
        2.1.1 信任及其度量
        2.1.2 信任来源及属性
        2.1.3 信任模型
    2.2 推荐系统
        2.2.1 推荐系统概述
        2.2.2 常见推荐系统效果评估指标
    2.3 强化学习方法相关介绍
        2.3.1 强化学习方法
        2.3.2 Deep Q-Learning与Q-Learning
    2.4 本章小结
3 动态信任算法分析
    3.1 引言
    3.2 动态信任算法描述与分析
        3.2.1 DLATrust算法描述
        3.2.2 DyTrust算法描述
        3.2.3 DLATrust与DyTrust存在的问题
    3.3 本章小结
4 基于强化学习DQN的Agent信任增强
    4.1 引言
    4.2 问题描述与基本定义
        4.2.1 问题描述
        4.2.2 基本定义
    4.3 兴趣度、信任计算与建议处理
        4.3.1 用户兴趣度
        4.3.2 信任计算及数据结构
        4.3.3 用户评价建议处理
    4.4 DQN信任增强过程
        4.4.1 模型框架
        4.4.2 DQN-TB设计
        4.4.3 奖励参数Δt设置及信任更新
        4.4.4 马尔科夫决策过程参数
        4.4.5 算法伪代码
        4.4.6 计算复杂度分析
    4.5 实验与分析
        4.5.1 实验介绍
        4.5.2 推荐信任与直接信任转化
        4.5.3 信任更新学习率
        4.5.4 信任动态变化
        4.5.5 RLS与LMS对比
        4.5.6 DQN-TB应用于推荐系统
        4.5.7 响应灵敏度
    4.6 本章小结
5 总结与展望
参考文献
致谢
攻读硕士期间发表的论文
攻读硕士期间参与的会议
附录一 表目录
附录二 图目录


【参考文献】：
期刊论文
[1]基于用户信任和张量分解的社会网络推荐[J]. 邹本友,李翠平,谭力文,陈红,王绍卿.  软件学报. 2014(12)
[2]Agent主观信任的传递性[J]. 童向荣,张伟,龙宇.  软件学报. 2012(11)
[3]上下文感知的移动社交网络服务选择机制研究[J]. 王玉祥,乔秀全,李晓峰,孟洛明.  计算机学报. 2010(11)
[4]面向可信服务选取的基于声誉的推荐者发现方法[J]. 潘静,徐锋,吕建.  软件学报. 2010(02)



本文编号：3462732