基于社交关系和注意力机制的协同过滤算法

发布时间：2022-02-22 03:45

　　智能移动终端设备的广泛普及和网络通信技术的不断发展,使得人们可通过互联网获得海量数据。面对可得到的海量数据,人们亟需解决的问题是如何高效准确地查询到所需信息。搜索引擎通过过滤与显式查询匹配的页面成为解决方案之一,然而人们在查询时很难给出有效的关键词。推荐系统在某种程度上解决了这些问题,可以帮助用户在面对大量数据时快速有效地获取有用资源。协同过滤算法（Collaborative Filtering,以下简称CF）是推荐系统在学术研究和实际商业领域中最普遍使用的算法,依据用户的历史打分数据,衡量用户或项目间的相似程度,生成指定用户或项目的相似邻居集合,并据此预测项目得分。但协同过滤算法十分依赖用户对项目的评分数据,存在着数据稀疏和“冷启动”的问题。本文针对以上问题做出改进,将社交关系数据引入到协同过滤中进行矩阵补全,利用聚类算法生成项目聚类,在相似度计算时考虑了项目的内在属性特征,并结合了自然界的注意力机制思想,主要工作如下:第一点,利用用户好友关系数据定义影响力系数,并将其应用到协同过滤算法的矩阵补全过程中,充分的考虑了用户的社交关系和兴趣领域,提高了矩阵补全分值的准确性,使得缺省项的补... 

【文章来源】：吉林大学吉林省211工程院校985工程院校教育部直属院校

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 推荐算法研究背景及意义
    1.2 推荐算法国内外研究现状
    1.3 本文的主要工作
    1.4 本文的组织结构
第2章 协同过滤算法和相关理论介绍
    2.1 协同过滤算法
        2.1.1 基于用户的协同过滤算法
        2.1.2 基于项目的协同过滤算法
    2.2 相似度计算方法介绍
        2.2.1 欧式距离法
        2.2.2 余弦相似度
        2.2.3 修正的余弦相似度
        2.2.4 皮尔逊相关系数
    2.3 数据稀疏性问题介绍
        2.3.1 利用矩阵补全解决数据稀疏问题
        2.3.2 利用矩阵分解解决数据稀疏问题
        2.3.3 利用聚类算法解决数据稀疏问题
    2.4 社交关系介绍
    2.5 注意力机制介绍
    2.6 本章小结
第3章 基于社交关系和聚类的协同过滤算法
    3.1 数据预处理
    3.2 聚类算法
    3.3 近邻集合
    3.4 CF-SRC算法
        3.4.1 影响力系数
        3.4.2 矩阵补全
        3.4.3 项目聚类
        3.4.4 项目相似性计算
        3.4.5 评分预测
    3.5 实验及结果分析
        3.5.1 实验数据集
        3.5.2 实验评价指标
        3.5.3 实验结果和分析
    3.6 本章小结
第4章 基于注意力机制的CF-SRC算法
    4.1 算法背景
    4.2 CF-SRCA算法
        4.2.1 项目差异度定义
        4.2.2 皮尔逊相关系数的改进
        4.2.3 算法详细描述
    4.3 实验及结果分析
    4.4 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
参考文献
作者简介及在学期间所取得的科研成果
致谢


【参考文献】：
期刊论文
[1]一种基于SVD++融合显隐式反馈的自适应推荐算法[J]. 张阳,荐子菡.  中国科技信息. 2018(06)
[2]基于多层次混合相似度的协同过滤推荐算法[J]. 袁正午,陈然.  计算机应用. 2018(03)
[3]利用社交关系的实值条件受限玻尔兹曼机协同过滤推荐算法[J]. 何洁月,马贝.  计算机学报. 2016(01)



本文编号：3638630