社会化网络中的推荐算法及其应用

发布时间：2020-07-19 04:18

【摘要】：随着web2.0的不断发展,社会化网络中的用户不断创造大量的信息。过量的数据使得用户无法有效地获取自己想要的信息,信息的使用率反而降低,信息过载的问题日益加剧。目前的搜索引擎等技术只能满足人们部分的需求,没有个性化的考虑,仍无法有效地解决这个问题。推荐系统作为一种信息过滤手段,是解决这个问题非常有潜力的方法。因而如何发展高效的,可扩展的,非常精确的推荐算法是一个巨大的挑战。评分预测是推荐系统的一个重要任务,基于对一个完善的推荐系统的追求,本文从从三个方向对评分预测问题中的推荐算法进行了分析和探索。首先,为了更好利用其他用户来做社会化的推荐,准确高效的衡量用户之间的相似度是一个关键,基于已有方法存在的问题和不足,我们提出了计数相似性和相似度传递两种方法。通过实验我们发现这两种方法能够有效的提升预测精度和应对可扩展性问题及数据稀疏性问题。其次,基于简单高效的slope one算法,我们为它引入了机器学习的思想,利用随机梯度下降方法调整权重和物品偏差,并对评分数据中包含的明显的用户倾向性和物品倾向性特征进行建模,使得它的预测精确度有了很大的提升。最后,我们还分析和探讨了推荐系统中三种时间效应:用户倾向性随时间变化,物品倾向性随时间变化以及用户兴趣随时间的变化,然后我们分别介绍了我们如何在slope one算法的物品偏差矩阵构建阶段与评分预测阶段应用时间维度的信息。通过在两个数据集上的实验,我们发现合理的使用时间维度的信息,不仅能提升推荐算法的预测精度,还能在一些情况下减少计算耗费。
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2012
【分类号】：TP391.3
【图文】：

推荐系统,一般框架,推荐算法

一个完整的推荐系统主要包含 3 各要素：物品（对象），推荐引擎，用户，其中推荐引擎通常由 3 个部分组成：1. 用户行为信息收集模块；2. 用户行为处理分析模块；3. 推荐算法模块，见图1 1。推荐算法模块是最核心的部分。根据推荐算法的不同，推荐系统可以分为如下几类：基于内容（content-based）的推荐系统；基于协同过滤（collaborative filtering）的推荐系统；基于用户 -物品二部图网络结构（network-based）的推荐系统；混合（hybrid）的推荐系统；— 3 —

亚马逊,商品,网络书店

感兴趣的书籍，马上会看到页面下方也会提示“经常一起购买的商品”，“购买此商品的顾客也同时购买”以及“看过此商品后顾客买的其它商品？”, 如图2 1, 图2 2以及图2 3。图 2 1 亚马逊推荐：经常一起购买的商品Fig 2 1 Amazon recommendation: products which are often purchased together亚马逊网络书店就是基于“对同样一本书有兴趣的读者们兴趣在某种程度上相近”的假设前提下给用户提供了推荐，此举也成为亚马逊网络书店为人所— 10 —

亚马逊,顾客,商品,网络书店

【共引文献】