基于信任关系的协同过滤推荐技术研究

发布时间：2017-08-22 11:26

  本文关键词：基于信任关系的协同过滤推荐技术研究

  更多相关文章： 信任机制 信任网络模型 商品推荐 好友推荐

【摘要】：互联网和电子商务的快速发展使得网络信息急速增长，多元的网络应用给人们带来了便利服务的同时，也让人们深陷“信息过载”沼泽。对于需求清晰的用户，借助搜索引擎便能快速找到目标信息，但多数情况下，用户无法简单、准确表达自身信息需求，只能在线咨询或参考他人建议。与此同时，由于缺乏可靠的咨询渠道和信息共享平台，导致在线咨询和信息共享无法可靠完成。因此，引入相应信任管理机制，来确保用户在线活动所处网络环境的安全可靠，成为电子商务发展急需解决的问题。本文针对以上难题进行的主要工作内容有： 第一，模拟现实生活中人们对信任关系处理的过程，对电子商务网络中用户间的信任关系进行建模管理，经过对信任网络模型进行初始化、局部信任关系扩展、信任权值计算三个步骤，构建一个集用户全局权威信任和用户局部信任关系的信任模型。相比于其他同类模型，该模型最大特点是在信任关系扩展过程中增加了兴趣因素的导向作用，对信任传播路径的探测有了一定的选择性。 第二，改变传统协同过滤算法中用户相似度计算方法，，设计了一种基于用户偏好立场的兴趣相似度计算方法UPPS，提出新的UPPS+Trust算法，将信任因素和兴趣因素共同作用于商品推荐过程中，利用UPPS相似度和信任网络模型中用户间信任评价度的结合，为用户寻找更多基于信任因素和兴趣因素的二维相似近邻，从而提供一种新的商品推荐方法。 第三，本文从分析用户行为方面入手，利用平台用户的信任入度和信任出度信息，设计了一种用户间信任行为相似度的计算方法UTBS；同时，利用项目评分等级表征用户兴趣信息量，设计一种用户间评分行为相似度的计算方法URBS，以此分析潜在好友间行为方面的相似关联。 第四，充分利用潜在好友间行为相似性，并结合信任网络模型中用户信任评价度信息，提出新的Trust+BS好友推荐算法，为用户提供可靠的好友推荐服务。相比其他同类应用准确率在10%-15%、召回率在10%-20%的性能，本文方法准确率和召回率的最佳性能分别达到22.47%和21.15%。 综上所述，本文将信任引入协同过滤推荐过程中，从兴趣、信任、行为等多角度对用户关联进行描述，充分挖掘了用户间的潜在关联，缓解了系统数据稀疏的压力，提高了系统的预测准确度。
【关键词】：信任机制 信任网络模型 商品推荐 好友推荐
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP391.3
【目录】：

• 摘要4-6
• Abstract6-10
• 第1章 绪论10-18
• 1.1 研究背景及意义10-12
• 1.1.1 研究背景10-11
• 1.1.2 研究意义11-12
• 1.2 国内外研究现状12-16
• 1.2.1 商品推荐研究现状12-14
• 1.2.2 好友推荐研究现状14-16
• 1.3 论文研究内容与组织结构16-18
• 第2章 推荐系统技术18-32
• 2.1 个性化推荐技术18-23
• 2.1.1 基于内容的推荐技术18-19
• 2.1.2 协同过滤推荐技术19-20
• 2.1.3 基于关联规则的推荐技术20-21
• 2.1.4 基于图结构的推荐算法21-22
• 2.1.5 基于标签的推荐算法22-23
• 2.2 信任模型23-27
• 2.2.1 信任评价的定义及特点23-25
• 2.2.2 信任模型的分类及作用25-27
• 2.3 推荐系统评价指标27-30
• 2.4 本章小结30-32
• 第3章 信任网络模型的设计与构建32-42
• 3.1 信任网络32-33
• 3.2 信任网络模型架构33-40
• 3.2.1 信任网络初始化34-36
• 3.2.2 局部信任网络扩展36-37
• 3.2.3 信任网络模型信任值计算37-40
• 3.3 本章小结40-42
• 第4章 融合信任与兴趣的协同过滤商品推荐42-54
• 4.1 基于信任网络模型的协同过滤推荐系统结构42-44
• 4.2 基于信任网络模型的协同过滤商品推荐算法44-46
• 4.2.1 相似度计算45
• 4.2.2 相似度与信任度结合45-46
• 4.2.3 评分预测及推荐46
• 4.3 数据集简介46-48
• 4.4 实验结果及分析48-52
• 4.4.1 参数 R 对系统性能的影响48-49
• 4.4.2 不同局部信任网络规模和近邻阈值β对实验的影响49-51
• 4.4.3 不同推荐策略的性能比较51-52
• 4.5 本章小结52-54
• 第5章 基于信任与相似行为的电子商务好友推荐54-66
• 5.1 基于信任网络模型的电子商务好友推荐算法架构54-55
• 5.2 基于信任网络模型的电子商务好友推荐算法55-59
• 5.2.1 信任行为相似度计算56
• 5.2.2 评分行为相似度计算56-58
• 5.2.3 相似度与信任度结合58-59
• 5.3 实验结果及分析59-64
• 5.3.1 不同信任行为相似度计算方法在 PathLen 控制下的系统性能59-60
• 5.3.2 不同推荐策略对性能的影响60-62
• 5.3.3 不同信任网络规模及单次推荐数目对性能的影响62-64
• 5.4 本章小结64-66
• 结论与展望66-68
• 结论66
• 展望66-68
• 参考文献68-72
• 攻读硕士学位期间取得的研究成果72-74
• 致谢74

【参考文献】

中国期刊全文数据库 前2条

1 张光卫;李德毅;李鹏;康建初;陈桂生;;基于云模型的协同过滤推荐算法[J];软件学报;2007年10期

2 杨博;赵鹏飞;;推荐算法综述[J];山西大学学报(自然科学版);2011年03期

本文编号：718881