基于隐式朋友的社会化推荐研究

发布时间：2023-06-01 20:16

　　在大数据时代,个性化推荐系统常常遭遇数据稀疏与冷启动两大难题。网络社交平台的兴起产生了大量的用户社交关系,将在线社交关系引入到传统的推荐系统,将有助于缓解数据稀疏与冷启动问题。基于此假设,社会化推荐应运而生并很快得到了研究者与工业界的关注。然而,在部署社会化推荐系统的过程中,人们发现社会化推荐并不如期待中那样能够产生更好的推荐效果。其失败的主要原因可以归结为显式的社交关系中常常不易获取且其中包含太多噪声。基于此,发掘更多可靠的隐式社交关系对于社会化推荐来说意义重大。现有的社会化推荐系统大多基于显式的社交关系,少数基于可靠社交的系统也仅仅关注于从社交网络中挖掘可信关系,忽略了用户-商品信息在寻找可靠关系方面的潜在价值。基于此,本文提出了一种基于隐式朋友的社会化推荐框架。隐式朋友指与当前用户偏好相似但在社交网络中可能并不直接相连的用户。为了寻找隐式朋友,本文首先将整个系统建模为一个异构信息网络,并利用网络表示学习的方法,在元路径的辅助下捕获到了用户之间的偏好相似性。然后,利用社会化贝叶斯排序自适应结合隐式朋友为用户生成更精准的推荐。大量实验表明,论文所提出的社会化推荐框架优于已有的社会化推...

【文章页数】：55 页

【学位级别】：硕士

【文章目录】：
中文摘要
英文摘要
1 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 基于显式社交关系的推荐
        1.2.2 基于可靠社交关系的推荐
    1.3 本文的研究内容
    1.4 本文的组织结构
2 相关技术分析
    2.1 社会化推荐原理介绍
    2.2 协同过滤的基础模型
        2.2.1 矩阵分解
        2.2.2 贝叶斯排序
    2.3 网络表示学习相关技术
    2.4 本章小结
3 基于异构网络的隐式朋友搜索
    3.1 社会化推荐中存在的问题
        3.1.1 社交关系中的冷启动
        3.1.2 社交关系中的噪声
    3.2 异构网络的生成
    3.3 隐式朋友搜索
        3.3.1 元路径设计与序列生成
        3.3.2 异构网络下的结点表示学习
    3.4 本章小结
4 基于隐式朋友的项目推荐
    4.1 基于隐式朋友的贝叶斯排序模型
        4.1.1 模型假设与形式化
        4.1.2 隐式朋友数量的自适应学习
        4.1.3 参数求解
    4.2 基于隐式朋友的社会化推荐框架
    4.3 本章小结
5 实验结果和分析
    5.1 实验设计
    5.2 自适应学习验证
    5.3 推荐效果比较
    5.4 冷启动用户的推荐效果
    5.5 显式朋友vs隐式朋友
    5.6 本章小结
6 总结与展望
    6.1 本文总结
    6.2 未来工作展望
致谢
参考文献
附录
    A.作者在攻读硕士学位期间发表和拟发表论文目录
    B.作者在攻读硕士学位期间参加的科研项目



本文编号：3826975