基于聚类及兴趣认知的好友推荐反馈算法
发布时间：2021-11-26 19:15
在基于兴趣的好友推荐中,通常需要计算不同用户间的相似度来进行推荐。但是当用户量特别庞大时,计算所有用户之间的兴趣相似度需要消耗大量的时间。为了节约时间开销,本文在ISODATA算法的基础上提出了MSI聚类算法,该算法能够对特征稀疏的样本进行聚类,并且时间复杂度低。同时,在三部图扩散算法的基础上提出了基于兴趣及认知的算法。另外还引入了反馈机制来对推荐模型进行动态的调整。本文主要工作如下:（1）在ISODATA的基础上提出了MSI算法,该算法可以对多维属性稀疏的样本进行聚类,同时采用新的方法实现了聚类的分裂以及合并操作。聚类的时间开销也较低。MSI算法主要根据聚类样本个数的多少来选择是否进行合并与分裂,算法会根据当前状态自动地调整迭代次数,更加易于使用。为了使其更加适合在好友推荐的场景中,增加了软聚类的步骤,降低在好友推荐过程中丢失聚类边缘样本的概率。（2）在三部图扩散算法的基础上提出了基于兴趣及认知的算法。新的算法提出了认知度作为度量标准,能够更加细致地考虑用户的行为。在计算相似性的时候考虑到了不同物品与标签的权重问题,同时也提高了对数据稀疏的用户的推荐效果。（3）提出了反馈机制,反馈机...
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
Facebook好友推荐页面
重庆大学硕士学位论文6很多社交网站已经有效地利用了推荐系统，图2.2是Facebook网站的推荐页面，在这个页面中用户可以选择添加推荐的用户作为好友，也可以移除这次推荐，之后同样的用户就不会再被推荐给自己。国内的豆瓣音乐也很好地利用了推荐系统，如图2.3为豆瓣音乐的推荐窗口，根据用户对音乐的历史收藏行为以及对音乐打标签的行为可以推荐用户可能感兴趣的音乐。在这个页面，用户可以选择“想听”、“在听”、“听过”、“没兴趣”，根据用户本次选择的不同，推荐系统会在下次的推荐中调整推荐结果从而提高准确度。由于推荐系统给用户以及商家都带来了极大便利，越来越多的公司都将推荐系统实际应用在自身的产品当中。图2.3豆瓣音乐推荐界面Fig.2.3DoubanMusicRecommendationPage2.2好友推荐算法的分类2.2.1基于协同过滤的推荐算法协同过滤算法利用兴趣相似的群体的喜好来推荐用户感兴趣的信息，简单点说就是当用户不知道怎么选择的时候，就由有相似兴趣的用户群体替他选择。在给用户推荐时，首先要找到和用户有相似爱好的群体，然后根据一些规则得到这些群体喜欢的物品，经过滤后推荐给用户。如图2.4所示，用户A和用户B都喜欢物品a，因此两者有相同的爱好，可以根据用户B的喜好将物品b推荐给用户A。基于用户的协同过滤算法主要包括两个步骤：1.找到和目标用户兴趣相似的其他用户集合。2.找到这个集合中用户喜欢的，并且目标用户尚未听说过的物品推荐给目标用户。
重庆大学硕士学位论文8此，基于项目的协同过滤[42]被提出。如图2.5是亚马逊的推荐购买其他物品的页面，当用户在浏览一个商品时，网页会建议用户购买其他的商品。图2.5亚马逊图书推荐页面1Fig.2.5AmazonBookRecommendationPage1图2.6是亚马逊的推荐一起购买页面，会根据历史信息来建议用户打包购买多种商品。图2.6亚马逊图书推荐页面2Fig.2.6AmazonBookRecommendationPage2该算法会推荐和用户之前喜欢过的物品相似的物品给用户。如图2.7所示，由于物品a和b被相同的用户喜欢，因此物品a和物品b有较高的物品相似度，当用户C喜欢物品b时，就推荐物品a给用户C。基于项目的协同过滤算法主要包括两个步骤：1.计算物品间的相似度。2.根据物品的相似度和用户的历史行为来为用户推荐物品。
【参考文献】：
期刊论文
[1]Truser:一种基于可信用户的服务推荐方法[J]. 何鹏,吴浩,曾诚,马于涛. 计算机学报. 2019(04)
[2]基于用户潜在特征的社交网络好友推荐方法[J]. 肖迎元,张红玉. 计算机科学. 2018(03)
[3]融合“用户-项目-用户兴趣标签图”的协同好友推荐算法[J]. 陈洁敏,李建国,汤非易,汤庸,陈笑凡,唐婷芳. 计算机科学与探索. 2018(01)
[4]一种面向获取空间信息的潜在好友推荐算法[J]. 俞菲,李治军,车楠,姜守旭. 软件学报. 2017(08)
[5]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)
[6]基于用户标注行为的潜在好友推荐[J]. 吴不晓,肖菁. 计算机应用. 2015(06)
[7]社交网络中的好友推荐方法研究[J]. 吴昊,刘东苏. 现代图书情报技术. 2015(01)
[8]基于位置服务的潜在好友推荐方法[J]. 符饶. 软件. 2015(01)
[9]在线社交网络影响力分析[J]. 吴信东,李毅,李磊. 计算机学报. 2014(04)
[10]一种基于信任度的协同过滤推荐方法[J]. 朱强,孙玉强. 清华大学学报(自然科学版). 2014(03)
硕士论文
[1]基于兴趣爱好的好友推荐系统的设计与实现[D]. 季航旭.东北大学 2015
[2]基于内容的社会标签推荐技术研究[D]. 刘志丽.哈尔滨工程大学 2012
本文编号：3520764
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
Facebook好友推荐页面
重庆大学硕士学位论文6很多社交网站已经有效地利用了推荐系统，图2.2是Facebook网站的推荐页面，在这个页面中用户可以选择添加推荐的用户作为好友，也可以移除这次推荐，之后同样的用户就不会再被推荐给自己。国内的豆瓣音乐也很好地利用了推荐系统，如图2.3为豆瓣音乐的推荐窗口，根据用户对音乐的历史收藏行为以及对音乐打标签的行为可以推荐用户可能感兴趣的音乐。在这个页面，用户可以选择“想听”、“在听”、“听过”、“没兴趣”，根据用户本次选择的不同，推荐系统会在下次的推荐中调整推荐结果从而提高准确度。由于推荐系统给用户以及商家都带来了极大便利，越来越多的公司都将推荐系统实际应用在自身的产品当中。图2.3豆瓣音乐推荐界面Fig.2.3DoubanMusicRecommendationPage2.2好友推荐算法的分类2.2.1基于协同过滤的推荐算法协同过滤算法利用兴趣相似的群体的喜好来推荐用户感兴趣的信息，简单点说就是当用户不知道怎么选择的时候，就由有相似兴趣的用户群体替他选择。在给用户推荐时，首先要找到和用户有相似爱好的群体，然后根据一些规则得到这些群体喜欢的物品，经过滤后推荐给用户。如图2.4所示，用户A和用户B都喜欢物品a，因此两者有相同的爱好，可以根据用户B的喜好将物品b推荐给用户A。基于用户的协同过滤算法主要包括两个步骤：1.找到和目标用户兴趣相似的其他用户集合。2.找到这个集合中用户喜欢的，并且目标用户尚未听说过的物品推荐给目标用户。
重庆大学硕士学位论文8此，基于项目的协同过滤[42]被提出。如图2.5是亚马逊的推荐购买其他物品的页面，当用户在浏览一个商品时，网页会建议用户购买其他的商品。图2.5亚马逊图书推荐页面1Fig.2.5AmazonBookRecommendationPage1图2.6是亚马逊的推荐一起购买页面，会根据历史信息来建议用户打包购买多种商品。图2.6亚马逊图书推荐页面2Fig.2.6AmazonBookRecommendationPage2该算法会推荐和用户之前喜欢过的物品相似的物品给用户。如图2.7所示，由于物品a和b被相同的用户喜欢，因此物品a和物品b有较高的物品相似度，当用户C喜欢物品b时，就推荐物品a给用户C。基于项目的协同过滤算法主要包括两个步骤：1.计算物品间的相似度。2.根据物品的相似度和用户的历史行为来为用户推荐物品。
【参考文献】：
期刊论文
[1]Truser:一种基于可信用户的服务推荐方法[J]. 何鹏,吴浩,曾诚,马于涛. 计算机学报. 2019(04)
[2]基于用户潜在特征的社交网络好友推荐方法[J]. 肖迎元,张红玉. 计算机科学. 2018(03)
[3]融合“用户-项目-用户兴趣标签图”的协同好友推荐算法[J]. 陈洁敏,李建国,汤非易,汤庸,陈笑凡,唐婷芳. 计算机科学与探索. 2018(01)
[4]一种面向获取空间信息的潜在好友推荐算法[J]. 俞菲,李治军,车楠,姜守旭. 软件学报. 2017(08)
[5]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)
[6]基于用户标注行为的潜在好友推荐[J]. 吴不晓,肖菁. 计算机应用. 2015(06)
[7]社交网络中的好友推荐方法研究[J]. 吴昊,刘东苏. 现代图书情报技术. 2015(01)
[8]基于位置服务的潜在好友推荐方法[J]. 符饶. 软件. 2015(01)
[9]在线社交网络影响力分析[J]. 吴信东,李毅,李磊. 计算机学报. 2014(04)
[10]一种基于信任度的协同过滤推荐方法[J]. 朱强,孙玉强. 清华大学学报(自然科学版). 2014(03)
硕士论文
[1]基于兴趣爱好的好友推荐系统的设计与实现[D]. 季航旭.东北大学 2015
[2]基于内容的社会标签推荐技术研究[D]. 刘志丽.哈尔滨工程大学 2012
本文编号：3520764
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3520764.html
最近更新
教材专著
