基于矩阵分解融合信任关系和项目流行度的推荐算法

发布时间：2022-03-10 14:40

　　随着互联网的飞速发展,推荐系统得到人们越来越多的关注,提供有效的用户个性化推荐是目前研究的热点问题,通过对用户历史行为的分析,预测用户偏好。近年来,结合用户社交网络的推荐算法目前已经得到广泛的应用,基于用户之间的信任进行相关推荐可以有效缓解推荐中冷启动的问题,但仅仅基于用户之间的信任关系进行推荐会存在项目的覆盖问题。同时,由于网络传播、媒体曝光和社区讨论等方式的影响,流行度较高的项目,更有可能被用户认识,但对于用户感兴趣的冷门项目推荐覆盖范围不高。此外,推荐算法的覆盖率和准确率存在内在的折中,在提高推荐覆盖率的同时会降低推荐的准确率。本文针对现有推荐算法覆盖率不高的问题,提出一种融合项目流行度和用户信任关系的矩阵分解推荐算法。首先,本文定义了信任网络脱节的问题,然后提出了一种基于合并用户-项目评分矩阵和用户-用户信任关系矩阵的推荐算法TruMF。TruMF利用矩阵分解技术的传递性,它将用户信任关系与项目评分视为同一层级,从而导致在矩阵分解的过程中,项目评分与信任关系发生混合,使得传递信任和预测评分同时发生。这种方式极大的提高了推荐算法的覆盖率,然而损失了对比方法8%左右的精度。针对这一... 

【文章来源】：昆明理工大学云南省

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 研究现状
        1.2.1 相关进展
        1.2.2 目前存在难点
    1.3 研究内容
        1.3.1 基于矩阵分解传递信任
        1.3.2 项目流行度的加权策略
    1.4 本文的组织结构
第二章 推荐系统相关技术综述
    2.1 个性化推荐系统简介
    2.2 个性化推荐的相关技术
        2.2.1 基于内容的推荐算法
        2.2.2 基于协同过滤的推荐算法
        2.2.3 基于混合的推荐算法
        2.2.4 基于标签的推荐算法
    2.3 协同过滤的推荐算法
        2.3.1 基于内存的协同过滤推荐
            2.3.1.1 基于用户的协同过滤推荐
            2.3.1.2 基于物品的协同过滤推荐
            2.3.1.3 UserCF和ItemCF的比较
        2.3.2 基于模型的协同过滤推荐
    2.4 评测指标
    2.5 本章小结
第三章 基于不相交信任网络的推荐算法
    3.1 引言
    3.2 基于不相交信任网络的推荐算法
        3.2.1 定义问题
        3.2.2 连接的信任网络机制
        3.2.3 TruMF:在不相交信任网络中的推荐算法
    3.3 实验结果分析
        3.3.1 实验数据集
        3.3.2 实验评价标准
        3.3.3 训练参数设置
        3.3.4 实验结果及分析
    3.4 本章小结
第四章 基于信任关系和项目流行度的推荐算法
    4.1 引言
    4.2 项目流行度的加权策略
        4.2.1 项目流行度对未评分项目的影响
        4.2.2 项目流行度对评分项目的影响
        4.2.3 PopTruMF算法
        4.2.4 在线更新
    4.3 实验结果与分析
        4.3.1 实验数据集
        4.3.2 评估方法及参数设置
        4.3.3 实验结果及分析
    4.4 本章小结
第五章 总结与展望
    5.1 全文工作总结
    5.2 对未来工作的展望
致谢
参考文献
附录A 攻读硕士学位期间发表论文与申请软件著作权
附录B 攻读硕士学位期间参与的研究工作


【参考文献】：
期刊论文
[1]融合信任传播和奇异值分解的社会化推荐算法[J]. 李卫疆,齐静,余正涛,赵铁军.  计算机工程. 2017(08)
[2]基于项目流行度的协同过滤TopN推荐算法[J]. 郝立燕,王靖.  计算机工程与设计. 2013(10)
[3]两阶段联合聚类协同过滤算法[J]. 吴湖,王永吉,王哲,王秀利,杜栓柱.  软件学报. 2010(05)



本文编号：3645810