论如何利用挖掘社交资讯来改进推荐系统

发布时间：2017-04-08 17:14

  本文关键词：论如何利用挖掘社交资讯来改进推荐系统，由笔耕文化传播整理发布。

【摘要】：随着电子商务及移动商务的发展,推荐系统在研究领域和实践领域都显得越来越重要。传统的推荐系统研究者利用用户的打分列表作为推荐的基础,而忽略了能够影响用户偏好的其他因素。然而,实际上用户偏好以及他们的购买决策同时取决于他们自身的经验以及社交信息。以前也有推荐系统研究者在推断用户偏好和打分的时候考虑了社交信息,但是他们只集中在用户的行为(这会带来用户隐私问题)或利用用户之间的距离去计算用户之间的影响力。此项研究着重考察如何充分利用社交信息做更为精准的推荐服务。社交信息指的是从社交环境中获取的信息,不仅包括从亲密的朋友处得来的信息,也包括从大众点评中所获取的信息。根据从社会学,行为学以及推荐系统的研究成果所获得的理论基础,我们提出三种新型的推荐系统方法。在此项研究中的实验比较了现存的推荐方法(包括传统经典推荐算法,近期经典推荐算法以及以前的社交推荐算法),和此研究中所提出的三种新型推荐算法(包括考虑到从用户朋友网络中挖掘出的社交信息的推荐算法,考虑到从大众点评中挖掘出的社交信息的推荐算法,以及考虑到从用户朋友网络和大众点评中挖掘出的社交信息的推荐算法)的推荐准确性。实验结果表明此项研究中新提出的三项推荐算法能够比之前的推荐算法在准确性,覆盖率以及F-measure等指标中都有更好的表现。特别是当用户没有提供任何打分的情境下,此三种推荐算法是不可取代的,因为其它现存的推荐方法在这种情境下是完全无法工作的。我们也发现从用户朋友网络挖掘社交信息比从大众点评挖掘社交信息更能帮助推荐系统准确的预测用户偏好和用户打分。
【关键词】：社交推荐 群落 大众点评 社交影响力 矩阵分解
【学位授予单位】：中国科学技术大学
【学位级别】：博士
【学位授予年份】：2013
【分类号】：F713.36;C912
【目录】：

• 摘要5-6
• Abstract6-11
• 1 Background11-24
• 1.1 Recommender system11-17
• 1.1.1 Recommender system introduction12-13
• 1.1.2 Traditional recommender system13-14
• 1.1.3 Problems existing in traditional recommender system14-15
• 1.1.4 Previous studies to solve these problems15-17
• 1.2 Social network and recommender system17-20
• 1.2.1 Social recommendation introduction17-18
• 1.2.2 Correlation between the Social network and user preference18-19
• 1.2.3 Studies of recommender system combined with social network19-20
• 1.2.4 Correlation between the social network structure and user preference20
• 1.3 Public comments and recommender system20-22
• 1.3.1 Problems existing in public comments21
• 1.3.2 Correlation between public comments and user preference21-22
• 1.4 Background summary22-24
• 2 Research question24-31
• 2.1 Social recommender system24-26
• 2.1.1 Problems existing in previous social recommender system researches24-25
• 2.1.2 Connection between structure of social network and similarity of preferencesbetween friends25
• 2.1.3 How to make use of social information to make rating estimation25-26
• 2.2 Recommender system considering public comments26-31
• 2.2.1 Problems existing in recommender system considering public comments researches26-27
• 2.2.2 How to estimate users' preferences according to users' feedback toward publiccomments27-28
• 2.2.3 Recommender system considering social information mined both from friends andpublic comments28-29
• 2.2.4 Users' preferences leaning29
• 2.2.5 Users unknown ratings estimation29-31
• 3 Related works31-46
• 3.1 Holistic review of recommender system researches31-37
• 3.1.1 Content-based recommendation31-32
• 3.1.2 Collaborative-filtering recommendation32
• 3.1.3 Hybrid recommender system research32
• 3.1.4 User modeling technology in recommender system research32-33
• 3.1.5 Information techniques used in recommender systems33-34
• 3.1.6 Mobile recommender system research34-36
• 3.1.7 Recommendation researches from the perspective of behavior36-37
• 3.2 Existing social recommendation researches37-38
• 3.2.1 Trust-aware recommendations37
• 3.2.2 Recommendations combined with social network37-38
• 3.2.3 Researches related to social recommendation38
• 3.3 Existing recommender system considering the public comments38-41
• 3.3.1 Word of mouth39
• 3.3.2 How online review to influence users attitude towards products39
• 3.3.3 The benefits of online review to marketers39-40
• 3.3.4 Usets' implicit feedback40-41
• 3.4 Existing recommender system researches considering social information mined both from friends and public comments41-43
• 3.4.1 How to use public comments in recommender system when combing with socialinformation mined from friends41-42
• 3.4.2 How to use friends' information in recommender system when considering socialinformation mined from public comments42
• 3.4.3 Recommender system considering social information mined both from friends andpublic comments42-43
• 3.5 The related works summary43-46
• 4 Theoretical foundations46-61
• 4.1 Social influence46-48
• 4.1.1 Social conformity46
• 4.1.2 Social comparison46-47
• 4.1.3 Social facilitation47-48
• 4.2 Social influence and customer behavior48-52
• 4.2.1 Original researches on social influence and customer behavior48-49
• 4.2.2 Social influence and customer behavior49-52
• 4.3 Social network characters52-57
• 4.3.1 Social influence and community52
• 4.3.2 Community topology and strength of social influence52-54
• 4.3.3 Centrality and preferences similarity54-57
• 4.4 Users behavior and their preferences57-58
• 4.4.1 Users attitude and users behavior57
• 4.4.2 User behavior and implicit rating57-58
• 4.5 Low rank matrix factorization58-59
• 4.5.1 The advantages of matrix factorization58
• 4.5.2 Matrix factorization used in recommendation58-59
• 4.6 Theoretical foundations summary59-61
• 5 Recommendation Algorithms61-72
• 5.1 Recommendation considering social information mined from friends61-67
• 5.1.1 Friends V.S.Strangers61-62
• 5.1.2 Friends in one community V.S.Friends in different communities62-63
• 5.1.3 Community size and social influence63-64
• 5.1.4 Community density and social influence64-65
• 5.1.5 Users' centrality and social influence65-67
• 5.2 Recommendation considering social information mined from public comments67-70
• 5.2.1 Products quality and users' ratings68-69
• 5.2.2 Users' unique taste and public comments69-70
• 5.3 Recommendation considering social information both from social network and public comments70-72
• 6 Experiment Design72-97
• 6.1 Tested recommendation methods72-74
• 6.1.1 Previous recommendation methods72-73
• 6.1.2 Our proposed recommendation methods73-74
• 6.2 Tested data set74-80
• 6.3 Tested process80-97
• 6.3.1 Collaborative-filtering recommendation method80-81
• 6.3.2 Matrix factorization recommendation method81-84
• 6.3.3 Previous Social Regularization recommendation method84-87
• 6.3.4 A novel social recommendation method considering social information mined fromfriends87-90
• 6.3.5 A novel social recommendation method considering social information mined frompublic comments90-92
• 6.3.6 A novel social recommendation method considering social information mined bothfrom friends and public comments92-97
• 7 Discussion97-109
• 7.1 Benchmarks for evaluation97
• 7.2 Overall performance97-104
• 7.2.1 Collaborative-filtering recommendation method98
• 7.2.2 Matrix factorization recommendation method98-99
• 7.2.3 Previous Social regularization recommendation method99
• 7.2.4 A novel social recommendation method considering social information mined fromfriends99-100
• 7.2.5 A novel social recommendation method considering social information mined frompublic comments100
• 7.2.6 A novel social recommendation method considering social information mined fromboth friends and public comments100-104
• 7.3 New user problem104-109
• 7.3.1 A novel social recommendation method considering social information mined fromfriends104
• 7.3.2 A novel social recommendation method considering social information mined frompublic comments104-105
• 7.3.3 A novel social recommendation method considering social information mined fromboth friends and public comments105-109
• 8 Limitations109-110
• 9 Conclusions110-113
• 10 Future works113-114
• References114-124
• Acknowledgements124-125
• 致谢125-126
• 在读期间发表的学术论文与取得的其他研究成果126-128
• 摘要128-130
• 第1章 绪论(推荐系统领域的研究进展)130-133
• 1.1 推荐系统130-131
• 1.1.1 推荐系统介绍130
• 1.1.2 传统推荐系统130-131
• 1.1.3 关于解决传统推荐系统所存在问题的研究131
• 1.2 社交网络与推荐系统131-132
• 1.2.1 社交推荐介绍131
• 1.2.2 社交网络与用户偏好之间的联系131
• 1.2.3 关于社交推荐系统的现有工作131-132
• 1.2.4 社交网络结构与用户偏好之间的联系132
• 1.3 大众点评和推荐系统132-133
• 第2章 研究问题133-134
• 第3章 文献综述134-136
• 3.1 推荐系统研究的总体回顾134
• 3.2 社交推荐系统134
• 3.3 利用大众点评改进推荐系统的性能134-135
• 3.4 利用从朋友和在线大众点评中挖掘出的社交信息来改进推荐系统135-136
• 第4章 理论基础136-137
• 4.1 社交影响力136
• 4.2 社交网络的结构与社交影响力强度之间的联系136
• 4.3 用户行为与用户偏好之间的关系136
• 4.4 矩阵分解技术136-137
• 第5章 推荐方法137-139
• 算法1137
• 算法2137-138
• 算法3138-139
• 第6章 实验设计139-140
• 6.1 被测试的推荐方法139
• 6.2 测试数据139
• 6.3 测试过程139-140
• 第7章 实验结果讨论140-143
• 第8章 此研究的局限性143-144
• 第9章 结论144-145
• 第10章 未来的工作145-146
• 参考文献146-152

【相似文献】

中国期刊全文数据库 前10条

1 王佳茵;;对高校园区体育资源与社会共享的研究[J];科教文汇(下旬刊);2011年10期

2 ;[J];;年期

3 ;[J];;年期

4 ;[J];;年期

5 ;[J];;年期

6 ;[J];;年期

7 ;[J];;年期

8 ;[J];;年期

9 ;[J];;年期

10 ;[J];;年期

中国重要会议论文全文数据库 前10条

1 ;The Study of the Feasibility of Setting up the Information Security Profession by Institutions[A];Proceedings of 2011 National Teaching Seminar on Cryptography and Information Security(NTS-CIS 2011) Vol.1[C];2011年

2 ;Mobile Information Service Application based on the Telecommunication Company in China[A];第六届（2011）中国管理学年会——组织与战略分会场论文集[C];2011年

3 ;An Objective Image Fusion Performance Index:Normalized Edge Mutual Information[A];中国自动化学会控制理论专业委员会C卷[C];2011年

4 石勇;;用户分辨:消除计算机网络信息过载的基本方法(英文)[A];信息科学与微电子技术:中国科协第三届青年学术年会论文集[C];1998年

5 ;The Influence of Reasoning Capacity and Time Pressure on the Information Search Pattern of Career Decision Making[A];Proceedings 2010 IEEE 2nd Symposium on Web Society[C];2010年

6 Randolph Kluver;;新媒介的逻辑与信息社会:寻找理解新媒介对和谐社会和国际关系影响的理论基础(英文)[A];北京论坛（2007）文明的和谐与共同繁荣——人类文明的多元发展模式：“多元文化、和谐社会与可选择的现代性：新媒体与社会发展”新闻传播分论坛论文或摘要集[C];2007年

7 ;Performance Evaluation for Damping Controllers of Power Systems Based on Multi-Layer Multi-Agent Systems[A];第二十七届中国控制会议论文集[C];2008年

8 Keiji YANO;Masao KAWASHIMA;Kozaburo HACHIMURA;Ryo AKAMA;Mitsuyuki INABA;Yoshikazu NISHIKAWA;;数字化人文学科在日本美术与文化中的问题与展望(英文)[A];北京论坛（2008）文明的和谐与共同繁荣——文明的普遍价值和发展趋向：“艺术的超越与文明的发展”艺术分论坛论文或摘要集[C];2008年

9 ;A Particle Filtering Method for Odor-Source Localization in Wireless Sensor Network with Mobile Robot[A];第二十九届中国控制会议论文集[C];2010年

10 ;Balanced Circular Formation Control Based on Gossip Communication and Angle of Arrival Information[A];中国自动化学会控制理论专业委员会C卷[C];2011年

中国重要报纸全文数据库 前10条

1 电脑商报记者 刘一冰;你有“微博”吗？[N];电脑商报;2011年

2 金错刀;一个理想主义者遭遇互联网寒冬[N];人民法院报;2001年

3 如临;P4与液晶的战斗[N];网络世界;2001年

4 郑杨;我国离新经济还有多远？[N];中国财经报;2001年

5 孙文;网络经济成功三步曲[N];中国电子报;2000年

6 ;灵活智能个性化：电子商务的未来（待续）[N];中国信息报;2000年

7 阿甘;外包 先来搭把手[N];中国计算机报;2002年

8 胜彦婷;医疗保险在美国[N];健康报;2002年

9 本报记者 崔谦;只要有“芯”，，就有希望[N];中国计算机报;2001年

10 ;展望2000年后的信息科学与技术[N];计算机世界;2000年

中国博士学位论文全文数据库 前10条

1 方冰;论如何利用挖掘社交资讯来改进推荐系统[D];中国科学技术大学;2013年

2 Harrison J. Bii;[D];武汉大学;2009年

3 钟雪爿;消费者在社交购物网站中的光顾及购买意愿研究[D];中国科学技术大学;2013年

4 周陆扬;[D];中国海洋大学;2009年

5 Rashwan Khalil（王睿）;[D];西南大学;2011年

6 余贵华;信息与组织相关机制的研究[D];吉林大学;2010年

7 尹航;在Tevatron上测量前后不称性[D];中国科学技术大学;2010年

8 程世宝;社会主义市场经济条件下的企业社会责任研究[D];中共中央党校;2010年

9 王晓磊;社会空间论[D];华中科技大学;2010年

10 努瓦天;[D];华中科技大学;2010年

中国硕士学位论文全文数据库 前10条

1 祁奇;基于标签数据的用户协同过滤[D];南京大学;2012年

2 BIDEMI OLADELE;[D];北京交通大学;2012年

3 罗姆沙法;复仇者联盟的社交网络[D];浙江大学;2013年

4 王慧华;[D];华中科技大学;2012年

5 阿贝;[D];东华大学;2012年

6 方英英;浙江台州返乡高校毕业生的求职过程[D];浙江大学;2013年

7 胡妍;利用JXTA技术的点对点通信实现医疗服务的互通性[D];浙江工业大学;2011年

8 展雪梅;中文刑事判决书树状信息结构研究[D];河南科技大学;2012年

9 廖桂苓;新进中国员工在跨国公司中信息寻求的采访研究[D];西南财经大学;2012年

10 陈安嫒;门诊交际中敏感话题的会话分析[D];山西大学;2010年

  本文关键词：论如何利用挖掘社交资讯来改进推荐系统，由笔耕文化传播整理发布。

本文编号：293296