基于社交网络的群体推荐系统

发布时间：2017-08-19 22:23

  本文关键词：基于社交网络的群体推荐系统

  更多相关文章： 社交网络 推荐系统 标签系统 群体决策 攻击检测

【摘要】：近年来，计算机技术的快速发展，比如HTML5、Web2.0、GUI等相关领域所取得的突破性成果，促使互联网的应用日益普及，其实践范围也越来越广泛，在给互联网用户带来更多的选择以及更高的自主性体验的同时也使得网络上的信息资源以指数级别增长，从而造成信息过载的现象。当面对海量的信息时，用户往往无法快速、准确地找到自己感兴趣或者对自己有用的信息，因此在一定程度上导致了时间与资源的浪费，个性化推荐系统就是在这种背景之下应运而生的。目前，个性化推荐系统已成为解决信息过载问题的主要技术，并在长期的实践应用中取得了良好的成效。然而，现有的推荐系统大多旨在为单个用户提供推荐，现实生活中，有时却需要向一个群体提供推荐。基于群体的复杂性与多样性，传统的针对单个用户的推荐系统算法已不能很好地适用于群体推荐系统。在过去的几十年里，国内外已经有不少学者认识到了研究群体推荐系统的重要性与紧迫性，并取得了一定进展，但从整体上看，其研究仍然停留在初级阶段，诸多问题依然尚未解决。 本文基于以上前提背景，结合社交网络、标签系统、协同推荐系统以及群体决策理论提出了基于社交网络的群体推荐系统算法。首先详细分析了利用社交网络中的相关概念来获取群体用户权重的框架体系，包括群体的类别、产生以及相对应的社交网络图谱、兴趣图谱和权重算法；接着将标签系统与协同推荐系统结合在一起，提出了一种混合的群体推荐系统算法以生成群体推荐项目集合；最后融合群体决策理论与权重框架体系对推荐项目进行排序，，以得到最大化群体满意程度的推荐列表。与此同时，本文还对群体推荐系统中的攻击检测问题进行了初步的研究。通过大量的实验对比可以验证本文提出的基于社交网络的群体推荐系统算法具有一定程度的可靠性与有效性；同时，为了进一步验证算法的性能，还通过调查问卷获取了用户对基于社交网络的群体推荐系统算法推荐结果的满意程度。实验结果表明，本文提出的基于社交网络的群体推系统算法不仅在推荐性能上有一定程度的改善，同时能够给用户带来更好的使用体验。
【关键词】：社交网络 推荐系统 标签系统 群体决策 攻击检测
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：C912
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 绪论10-20
• 1.1 本文的研究背景和意义10-12
• 1.2 国内外研究现状12-17
• 1.3 本文研究的目的17
• 1.4 研究内容与组织结构17-20
• 第二章 群体推荐系统及其相关技术简介20-36
• 2.1 推荐系统20-30
• 2.1.1 个人推荐系统20-27
• 2.1.2 群体推荐系统27-29
• 2.1.3 推荐系统攻击检测29-30
• 2.2 社交网络30-32
• 2.3 社会标签系统32-34
• 2.4 群体决策理论34-35
• 2.5 本章小结35-36
• 第三章 群体权重计算框架36-44
• 3.1 群体的类别36-37
• 3.1.1 无熟识关系的群体36-37
• 3.1.2 存在半熟识关系的群体37
• 3.2 存在半熟识关系的群体社交网络图37-40
• 3.2.1 存在半熟识关系的群体用户权重框架38-40
• 3.3 无熟识关系的群体用户权重计算40-43
• 3.4 本章小结43-44
• 第四章 基于社交网络的群体推荐系统44-58
• 4.1 群体推荐项目集合的确定44-47
• 4.1.1 群体相似用户簇划分44-45
• 4.1.2 评分数据确定推荐项目集合45-46
• 4.1.3 标签数据确定推荐项目集合46-47
• 4.2 群体推荐列表的排序47-51
• 4.2.1 群体用户偏好数据获取47-49
• 4.2.2 推荐项目列表排序49-51
• 4.3 群体推荐系统攻击检测51-56
• 4.3.1 群体推荐系统安全性问题51-52
• 4.3.2 基于时间密集性的推荐系统攻击检测框架52-54
• 4.3.3 群体推荐系统攻击检测研究54-56
• 4.4 本章小结56-58
• 第五章 案例与实验部分58-69
• 5.1 存在半熟识关系的群体58-61
• 5.1.1 案例情景58
• 5.1.2 基本步骤58-61
• 5.2 无熟识关系的群体推荐系统61-62
• 5.2.1 实验数据61
• 5.2.2 相关参数的设置61
• 5.2.3 实验结果的检验标准61-62
• 5.3 实验结论62-68
• 5.4 本章小结68-69
• 第六章 结论与展望69-71
• 致谢71-72
• 参考文献72-76
• 附录 176-80
• 附录 280-84
• 在学期间取得的与学位论文相关的研究成果84-85

【参考文献】

中国期刊全文数据库 前6条

1 徐翔;王煦法;;基于SVD的协同过滤算法的欺诈攻击行为分析[J];计算机工程与应用;2009年20期

2 余力;董斯维;郭斌;;电子商务推荐攻击研究[J];计算机科学;2007年05期

3 张付志;高峰;白龙;;基于攻击检测的用户可信度计算方法[J];计算机工程;2010年16期

4 张富国;徐升华;;推荐系统安全问题及技术研究综述[J];计算机应用研究;2008年03期

5 徐选华;陈晓红;王红伟;;一种面向效用值偏好信息的大群体决策方法[J];控制与决策;2009年03期

6 余刚;裴仰军;朱征宇;陈华月;;基于词汇语义计算的文本相似度研究[J];计算机工程与设计;2006年02期

本文编号：703293