基于图表学习的社交推荐研究

发布时间：2021-08-14 15:52

　　大数据时代的到来,促使人类社会进入到空前发达的信息时代,在享受丰富信息带来的便捷的同时,人们也受到了信息过载问题的困扰,为此推荐技术作为一门独立学科应运而生。虽然推荐技术在过去几十年间得到了迅速发展,但是依旧有很多问题亟待解决,如由历史偏好数据稀疏导致的冷启动,长尾等问题。社交网络的快速发展为推荐提供了可靠的数据支持,从而为解决冷启动问题提供了帮助。为此,结合社交信息的推荐方法逐渐成为近年来的研究热点。目前提出的融合社交信息的模型多是基于矩阵分解的框架构建而成。然而,由于模型构造的缺陷,已有社交推荐模型无法充分挖掘社交网络的结构信息,进而导致推荐精度不高,冷启动问题解决不充分等问题。图表示学习算法的出现为社交推荐研究提供了新思路。本文立足于图表示学习算法,对结合社交信息的推荐模型进行了深入的探讨和研究,工作如下:首先,针对信任式社交网络,分别从全局角度和局部角度对用户在网络中的影响力进行度量,通过融合全局和局部影响力重新定义用户之间的关联强度。不同于其他方法,我们并不假定所有的社交信息都是有效的。通过对用户历史评分信息的挖掘,构建了具有潜在相似品味的用户关系网络,并利用该用户关系网络对... 

【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

图２－１用户物品行为关系图??

图２－２推荐列表??

其优化本质是通过迭代更新的方式得到更为合理的用户及物品的特征向??量，在尽可能拟合己有历史评分数据的同时对评分矩阵进行填充，达到评分预测??的效果。其基本原理如图２－４所示，??ｎ??—＾?「?丨???Ｊ??ｍ??－Ｉ?＼?Ｉ?＂?＊?｜?ｍ??ｎ??＊??????ｋ??图２－４矩阵分解的基本原理示意??Ｆｉｇｕｒｅ?２－４?Ｔｈｅ?ｂａｓｉｃ?ｉｄｅａ?ｏｆ?ｍａｔｒｉｘ?ｆａｃｔｏｒｉｚａｔｉｏｎ?ｍｏｄｅｌ．??矩阵分解方法的损失函数如下：??（２－５）??其中Ｇ和＇?分别表示用户ｉ和物品ｊ的特征向量，第二项甽｜？７，．｜｜２＋｜＾｜）是??用于控制模型复杂度以防止过拟合的正则项。??通常情况下为了计算的高效性，采用交替迭代的方式对模型进行优化求解。??具体来说，包括梯度下降（Ｇｒａｄｉｅｎｔ?Ｄｅｓｃｅｎｔ，?ＧＤ）、批量梯度下降（Ｂａｔｃｈ?Ｇｒａｄｉｅｎｔ??Ｄｅｓｃｅｎｔ，?ＢＧＤ）和随机梯度下降法（Ｓｔｏｃｈａｓｔｉｃ?Ｇｒａｄｉｅｎｔ?Ｄｅｓｃｅｎｔ，?ＳＧＤ）。其中随机梯度??下降法因为适用于大规模数据集的处理，而被广泛应用于实际场景中，其更新公??式为，??１１（＇＋１）

【参考文献】：
期刊论文
[1]中国互联网络发展状况统计报告[J].   中国科技信息. 2018(05)
[2]融合社交信息的矩阵分解推荐方法研究综述[J]. 刘华锋,景丽萍,于剑.  软件学报. 2018(02)
[3]社会网络节点影响力分析研究[J]. 韩忠明,陈炎,刘雯,原碧鸿,李梦琪,段大高.  软件学报. 2017(01)
[4]基于扩展度的复杂网络传播影响力评估算法[J]. 闵磊,刘智,唐向阳,陈矛,刘三(女牙).  物理学报. 2015(08)
[5]网络重要节点排序方法综述[J]. 任晓龙,吕琳媛.  科学通报. 2014(13)
[6]基于网络社团结构的节点传播影响力分析[J]. 赵之滢,于海,朱志良,汪小帆.  计算机学报. 2014(04)
[7]推荐系统评价指标综述[J]. 朱郁筱,吕琳媛.  电子科技大学学报. 2012(02)



本文编号：3342748