基于复杂网络的推荐算法的优化与研究

发布时间：2021-01-06 08:41

　　如今,信息传播技术飞速发展,人们越来越热衷于通过各类社会媒体浏览信息或是维系在线社会关系。而在这过程中,分众化传播所带来的信息爆炸,使得受众无法准确捕获满足自身需求的服务。日常纷繁复杂的信息内容使得人们的关注点受到极大干扰,搜索引擎已不能满足大部分使用者的需要。在这样的环境下衍生了推荐系统。目前,推荐系统的发展逐步成熟。然而,由于个性化推送的准确率不高,推荐效果不尽人意,因此推荐仍然是一个需要持续创新的领域。推荐系统中的核心步骤即为推荐算法,其中,协同过滤算法操作简便,易于理解。该算法主要是利用用户-项目评分矩阵,挖掘近邻用户偏好,据此预测目标用户最可能喜欢的项目。但同时也存在稀疏矩阵、可扩展性低、推荐精度较低等问题。结合上述推荐算法的基本思想及其所面临的挑战,本文在传统协同过滤基础上进行了算法的研究和优化。文章将复杂网络理论引入到推荐算法中,提出了基于复杂网络的协同过滤算法,从单一推荐到多种技术相融合,对不同类型的问题做出了相应的改进,研究工作主要如下:（1）针对用户间共同评分项目较少导致协同过滤算法受到数据稀疏的影响,提出了基于链路预测的协同过滤算法。在充分认识协同过滤算法存在的问... 

【文章来源】：北京工业大学北京市 211工程院校

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

用户-项目二部图

络中所有的顶点进行块划分，得到各种可能的划分情况。概念模型的链路预测概率模型算法的主要思想是：首先建立一个带参数的模型，然到最能表示网络的参数，那么两条边之间产生链接的可能性就条边产生链接的条件概率。基于概念模型的链路预测方法又分RMs[41]和有向无环概率实体关系模型 DAPER。它们的区别在方式不同，前者基于关系模型，后者基于实体关系模型[42]。网络社区发现发现是数据挖掘中极为重要的手段，在社交网络分析、统计学数据库等领域有着广泛的应用。复杂网络社区发现算法已成基础理论的重要组成部分[43]。

北京工业大学工学硕士学位论文用基于加权 SimRank 的链路预测进行推荐充分整合评分矩阵中的有效信息，并据此imRank 的链路预测的研究现状图的拓扑结构信息，选择某种算法来计算两构与上下文的相似度计算方法，是发现两个对象是相似的。SimRank 算法计算相似度的过各节点的邻边集来计算节点间的相似度。意节点 A,B，可以利用 SimRank 算法相似度相似性均值作为度量两者相似度的标准。节点集合， 表示节点间的连接边的集合。


本文编号：2960271