基于情境感知和社交网络的推荐算法研究
发布时间：2022-01-03 03:15
随着互联网技术的快速发展,网络数据的种类和覆盖量也呈现出海量增长的趋势,各种资源的流通数据日益庞大。同时用户的需求也越来越多样化和个性化,许多用户花费大量的时间和精力用于搜寻资源,却往往得不到他们想要的结果。这就造成了资源的浪费并影响了用户的学习生活体验。为了解决大量信息的冗余以及需求的不确定性带来的问题,本文提出了基于情境感知和社交网络的资源推荐模型。目前广泛应用的推荐技术是协同过滤算法,但是传统的协同过滤算法只考虑用户对项目的历史行为记录,根据评分的相似性进行推荐,与物品的内容、用户的自身变化、外部环境的改变等方面并没有联系起来。虽然在电子商务领域取得了巨大成功,但由于忽略了用户的一些特有属性、资源之间的关联、用户之间关系等特性,因此它并不适合于各个领域资源的推荐,需要加以改进。本文在介绍传统协同过滤的相关理论及其优缺点后,首先提出了基于情境感知的协同过滤算法,使用情境熵和情境权重代表不同情境因素对资源预测评分所占比重。接着,考虑到用户周围社交网络对用户选择的影响,如果是好友推荐的项目,则用户将会更相信推荐结果,而且与好友亲密度越高,则用户接受的程度可能会更高,因此将邻域推荐与传统...
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
图１．２情境要素分类??而情境感知则是对普适计算环境中的上下文参数进行感知、获取、处理和反??
?１９?１，?１，?…?１??用户＼＿＿２?３?４???Ｕｊ?２?３?５?？?．．．?４??Ｕ２?３?２?１?１?．．．?？??Ｕ３?３?２?３?４?．．．?１??Ｕｎ?２?３?？?４?…３??２．用户相似性计算。推荐系统中最常用的是Ｐｅａｒｓｏｎ相关系数。用Ｕ代表用??，Ｐ代表物品集，用ｒ代表评分项＼．的ｎ＊ｍ评分矩阵，＾和＾分别代表用户??ｂ的平均评分，则计算用户ａ和ｂ的相似度的公式为：??腿（价；＿?（２．１）??＾＾ｈｐｅＰ?＾＾ｊｐｅｐ?＾Ｖｂ，ｐ?￣＾ｂ）??相似度值越大，则表示该用户与目标用户越相近。如图２．２所示??Ａ??Ｑ
可通过以下公式计算用户ａ对物品ｐ的预测值：??ｐｒｅｄ（．，料（２．２）??其中，ｐｒｅｄ〇，ｊ９）表示用户ａ对项目ｐ的预测评分，乙表示用户ａ对自己已??评分项目的所有评分的平均值，表示用户ａ和ｂ之间的相似度，??表示邻居用户ｂ对项目ｐ的评分减去自己所有项目评分的平均值。计算出所有的??预测评分后，则将评分最高的Ｎ个项目推荐给当前用户。??在实际应用中，当评分数据集非常大时，基于用户的协同过滤计算常常会很??复杂。有的文章研究表明，当评分物品少于５０个时，预测准确度的提升会十分??显著０】。因此，基于用户的协同过滤推荐适用于数据量较小的场景中。??２．１．２基于项目的协同过滤??随着用户和商品的数据量的增加，基于用户的协同过滤面临复杂的计算，由??此Ｓａｒｗａｒ等人提出了基于项目的协同过滤［３叱其主要思想是利用物品间相似度，??如在某些网上商城，当用户浏览某种商品时，系统会推荐一些与该物品相似的产??品，如图２．３所不。??
【参考文献】：
期刊论文
[1]基于协同过滤算法的视频智能推荐系统[J]. 王嘉菲,朱志锋. 湖北大学学报(自然科学版). 2019(02)
[2]基于多模态的音乐推荐系统[J]. 龚志,邵曦. 南京信息工程大学学报(自然科学版). 2019(01)
[3]评价信息的位置社交网络兴趣点推荐模型[J]. 林占国. 电子技术与软件工程. 2018(19)
[4]智能推荐系统研究综述[J]. 陈彬,张荣梅. 河北省科学院学报. 2018(03)
[5]一种基于社交网络友情度的个性化推荐算法[J]. 董辉,盛魁,张继美. 武汉工程大学学报. 2018(04)
[6]融合社交网络与关键用户的并行协同过滤推荐算法[J]. 肖成龙,王宁,王永贵. 计算机应用研究. 2019(10)
[7]基于社会信任和隐式项目的协同过滤推荐算法的研究[J]. 朱爱云,任晓军. 现代计算机(专业版). 2018(05)
[8]基于用户行为特征的移动社交网络分析与应用[J]. 薛飞. 移动通信. 2017(23)
[9]基于边界矩阵低阶近似和近邻模型的协同过滤算法[J]. 温占考,易秀双,田申申,李婕,王兴伟. 计算机应用. 2017(12)
[10]利用用户不偏好项目属性提高项目协同过滤算法效率和精度[J]. 文诗琪,王成,苏芳芳,刘技峰,陈叶旺,郑国旗. 小型微型计算机系统. 2017(08)
硕士论文
[1]基于情境上下文和社交网络的个性化推荐方法研究[D]. 李强.西南交通大学 2016
[2]基于GPU的图书推荐系统研究与实现[D]. 李瑞峰.浙江大学 2012
本文编号：3565451
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
图１．２情境要素分类??而情境感知则是对普适计算环境中的上下文参数进行感知、获取、处理和反??
?１９?１，?１，?…?１??用户＼＿＿２?３?４???Ｕｊ?２?３?５?？?．．．?４??Ｕ２?３?２?１?１?．．．?？??Ｕ３?３?２?３?４?．．．?１??Ｕｎ?２?３?？?４?…３??２．用户相似性计算。推荐系统中最常用的是Ｐｅａｒｓｏｎ相关系数。用Ｕ代表用??，Ｐ代表物品集，用ｒ代表评分项＼．的ｎ＊ｍ评分矩阵，＾和＾分别代表用户??ｂ的平均评分，则计算用户ａ和ｂ的相似度的公式为：??腿（价；＿?（２．１）??＾＾ｈｐｅＰ?＾＾ｊｐｅｐ?＾Ｖｂ，ｐ?￣＾ｂ）??相似度值越大，则表示该用户与目标用户越相近。如图２．２所示??Ａ??Ｑ
可通过以下公式计算用户ａ对物品ｐ的预测值：??ｐｒｅｄ（．，料（２．２）??其中，ｐｒｅｄ〇，ｊ９）表示用户ａ对项目ｐ的预测评分，乙表示用户ａ对自己已??评分项目的所有评分的平均值，表示用户ａ和ｂ之间的相似度，??表示邻居用户ｂ对项目ｐ的评分减去自己所有项目评分的平均值。计算出所有的??预测评分后，则将评分最高的Ｎ个项目推荐给当前用户。??在实际应用中，当评分数据集非常大时，基于用户的协同过滤计算常常会很??复杂。有的文章研究表明，当评分物品少于５０个时，预测准确度的提升会十分??显著０】。因此，基于用户的协同过滤推荐适用于数据量较小的场景中。??２．１．２基于项目的协同过滤??随着用户和商品的数据量的增加，基于用户的协同过滤面临复杂的计算，由??此Ｓａｒｗａｒ等人提出了基于项目的协同过滤［３叱其主要思想是利用物品间相似度，??如在某些网上商城，当用户浏览某种商品时，系统会推荐一些与该物品相似的产??品，如图２．３所不。??
【参考文献】：
期刊论文
[1]基于协同过滤算法的视频智能推荐系统[J]. 王嘉菲,朱志锋. 湖北大学学报(自然科学版). 2019(02)
[2]基于多模态的音乐推荐系统[J]. 龚志,邵曦. 南京信息工程大学学报(自然科学版). 2019(01)
[3]评价信息的位置社交网络兴趣点推荐模型[J]. 林占国. 电子技术与软件工程. 2018(19)
[4]智能推荐系统研究综述[J]. 陈彬,张荣梅. 河北省科学院学报. 2018(03)
[5]一种基于社交网络友情度的个性化推荐算法[J]. 董辉,盛魁,张继美. 武汉工程大学学报. 2018(04)
[6]融合社交网络与关键用户的并行协同过滤推荐算法[J]. 肖成龙,王宁,王永贵. 计算机应用研究. 2019(10)
[7]基于社会信任和隐式项目的协同过滤推荐算法的研究[J]. 朱爱云,任晓军. 现代计算机(专业版). 2018(05)
[8]基于用户行为特征的移动社交网络分析与应用[J]. 薛飞. 移动通信. 2017(23)
[9]基于边界矩阵低阶近似和近邻模型的协同过滤算法[J]. 温占考,易秀双,田申申,李婕,王兴伟. 计算机应用. 2017(12)
[10]利用用户不偏好项目属性提高项目协同过滤算法效率和精度[J]. 文诗琪,王成,苏芳芳,刘技峰,陈叶旺,郑国旗. 小型微型计算机系统. 2017(08)
硕士论文
[1]基于情境上下文和社交网络的个性化推荐方法研究[D]. 李强.西南交通大学 2016
[2]基于GPU的图书推荐系统研究与实现[D]. 李瑞峰.浙江大学 2012
本文编号：3565451
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3565451.html
最近更新
教材专著
