社会网络环境下的个性化推荐算法研究

发布时间：2017-12-11 05:15

  本文关键词：社会网络环境下的个性化推荐算法研究

  更多相关文章： 社会网络 个性化推荐 信任 标签 上下文 模型

【摘要】：伴随着社会网络的日益普及,网络商品与评分信息量迅猛增长。用户面对如此海量的数据无法进行快速而准确的选择,个性化推荐系统正是在这样的背景下提出的。传统的推荐算法只是在用户历史数据的基础上,根据其已有的评分信息为用户提供二维推荐,在实际应用中受到诸多限制,从而导致推荐质量较低。针对以上问题,本文将社会网络环境中的一些重要信息,如上下文环境、社会标签、信任关系等因素引入到个性化推荐系统中,从不同维度出发,全面分析个性化推荐算法在提升用户满意度与推荐结果准确度方面的积极作用。本论文研究的主要内容包括以下几个方面:(1)上下文感知的个性化推荐研究为了更好的对用户偏好进行建模,从而提高后期推荐系统的性能,本文提出了一种上下文感知的推荐模型(Contextual-based System,简称CS推荐模型)。该模型使用具有较高学习精度的随机决策树方法将多种上下文信息有机结合,既保证了较低的算法复杂度,又提高了用户偏好模型构建的准确度。该算法的主要思想是使用随机划分策略,对原始用户-项目评分矩阵R进行划分,使得相似用户或相似项目的评分被划分到决策树的相同结点中。实现了将具有相似上下文的评分信息划分到同一个组内,且在相同组里的评分将会比在原始评分矩阵中的评分具有更高的相关性。通过上下文的过滤,可以提高用户偏好模型构建的准确度,从而提高了推荐系统的准确性。(2)融合主题与语言模型的社会标签推荐研究为了解决如何利用社会网络中丰富的标签信息进行高效的社会网络推荐问题,本文综合考虑了以用户和资源为中心的推荐算法实现对用户进行个性化的标签推荐。该方法将简单语言模型(Language Model,简称LM)和潜在狄利克雷分配模型(Latent Dirichlet Allocation,简称LDA)相结合实现对新标签的正确性进行评估。应用LDA进行标签推荐的优势在于能够产生一些全新且用户从未使用过的标签,进而增加了标签推荐时用户可用的词汇量,为用户对资源进行标注时提供更精准的标签信息。(3)基于信任关系的社会网络推荐研究针对推荐系统中普遍存在的数据稀疏和冷启动等问题,本文结合用户自身评分与用户的社会信任关系构建推荐模型,提出了一种基于信任关系的社会网络推荐方法TSNR(Trust-based Social Network Recommendation,简称TSNR)。该方法充分考虑到了不可信节点对基于信任度的社会网络推荐系统带来的负面影响,因此该算法首先通过计算信任网络中节点的声望值与偏见值来发现信任网络中的不可信节点,并通过对其评分权重进行弱化来减轻其对信任网络产生的负面影响。其次,鉴于用户的喜好会受其朋友的影响,算法又利用朋友的信任矩阵对用户自身的特征向量进行修正,解决了用户特征向量的精准构建及信任传递问题。同时为了实现修正误差的最小化,算法通过带有社会正则化约束的矩阵分解技术实现社会网络推荐。实验通过在公开数据集上验证了TSNR算法的有效性,实验结果表明该算法较传统的协同推荐算法有很大的改进,特别是在用户的评分项非常稀疏甚至缺失的数据集上该算法仍然能取得较高的推荐性能。(4)融合社会标签与信任关系的社会网络推荐研究将上述标签推荐与基于信任度的社会网络推荐方法相结合,提出了一种融合社会标签与信任关系的社会网络推荐方法TTR(Tag-based and Trust-based Recommendation,简称TTR)。该方法在基于概率因式分解的基础上集成了社会信任关系、项目标签信息以及用户-项目评分矩阵。将这些不同维度的数据资源通过共享的用户潜在特征空间(或项目潜在特征空间)相连接,通过基于概率矩阵的因式分解方法获得低维的用户潜在特征空间和项目潜在特征空间,从而实现了高效的社会网络推荐。在公开数据集上的实验结果表明,TTR算法优于现有的基于信任度的社会网络推荐及社会标签推荐算法。本文的创新点体现在以下几点:1.利用上下文信息及社会标签信息对用户偏好模型进行优化,为后期社会网络推荐提供了精准的用户模型,从而提高了社会网络推荐的准确度。2.在基于信任度的推荐模型中,考虑到了不可信节点对推荐系统带来的负面影响,通过弱化其评分权重解决了信任度的公平计算问题。3.针对新用户在没有任何评分数据及社交关系信息时,利用信任度传递机制对其初始信任值进行了合理赋值,解决了新用户的冷启动问题。
【学位授予单位】：中国矿业大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：TP391.3

【参考文献】

中国期刊全文数据库 前1条

1 YANG Tan;CUI Yi-dong;JIN Yue-hui;;BPR-UserRec:a personalized user recommendation method in social tagging systems[J];The Journal of China Universities of Posts and Telecommunications;2013年01期

，

本文编号：1277289