基于社交网络用户偏好的推荐方法研究
发布时间：2021-06-17 07:12
随着计算机和移动设备的普及,互联网技术得到了巨大的发展,彻底改变了人们的生活模式。互联网在给人们带来便利的同时,也使信息量爆炸式增长,造成了信息过载问题。推荐系统作为一种解决信息过载问题的有效工具,能够从互联网用户的海量行为数据中挖掘有效信息,分析用户偏好,并发现用户的潜在兴趣对象。近年来,推荐系统不但受到学术界的关注,在工业界也得到了广泛的应用,考虑到推荐系统在利润增长和保持用户黏度方面的重要价值,许多电子商务和社交网站都已经研发了自己特有的推荐系统。社交网络与电子商务的结合日益紧密,社交网络上存在着丰富的用户行为数据,是评估用户偏好过程中不可或缺的部分。本论文结合社交网络上的用户偏好特征,就个性化推荐和群组推荐问题,运用复杂网络分析方法和机器学习思想,分别针对基于二部图、三部图、矩阵分解和贝叶斯个性化排序的推荐算法进行了深入研究,提升了推荐算法的性能,提高了推荐结果准确性和多样性。论文的主要研究内容如下:（1）基于二部图的混合相似性扩散推荐算法。推荐系统中的用户和物品可以被抽象为二部图中的节点,而节点之间相连的边代表了用户购买或选择物品的行为。本论文从基于二部图的资源扩散过程入手,...
【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】：125 页
【学位级别】：博士
【部分图文】：
推荐系统主要组成部分Figure1-1Themaincomponentsofrecommendersystems.
北京交通大学博士学位论文绪论4了涉及多学科领域的研究内容[21,26,27]。包括计算机科学、物理学、管理学在内的多门学科都对推荐算法的发展做出了卓越的贡献。目前，国内外学者针对推荐算法的研究主要集中在利用复杂网络[28-31]和机器学习[32-35]理论解决个性化推荐和群组推荐问题，提升推荐算法的性能，提高推荐结果的准确性和多样性。本节根据推荐算法的计算方式和解决问题的不同，对推荐算法的研究现状进行综述。1.2.1基于内容的推荐算法基于内容的推荐算法（content-basedrecommendationalgorithms，简称CB）是最早被使用的推荐算法之一，其原理是通过分析物品的描述信息，对物品特征进行建模，并根据用户过去选择过的物品，为用户推荐相同类别或相似的其他物品[36]。例如，购物网站的推荐系统可以根据用户之前多次购买过的某个种类的产品而认为该用户对这类产品比较感兴趣，同理，一个饭店推荐系统可以依据用户之前多次光顾过烤肉店而为该用户推荐其他烤肉店。CB算法的流程如图1-2所示，主要分为三步，分别是内容分析、偏好学习和推荐结果生成。这三个步骤分别通过内容分析器、偏好学习器和过滤器来实现[26]。图1-2基于内容的推荐算法示意图Figure1-2Theschematicdiagramofacontent-basedrecommendationalgorithm.在物品的描述信息中，存在着许多非结构化数据，这些数据难以直接在推荐算法中使用。内容分析器的作用是收集和处理这些非结构化的数据，并根据推荐算法的需要，将这些数据转换为结构化的物品描述信息，以便抽取物品的特征向量，进行后续的特征学习。在推荐系统的应用场景中，非结构化数据以文本居多，例如产
北京交通大学博士学位论文绪论6所有用户的历史数据都是真实的，某些用户的历史数据可能存在“作弊”行为。在这种情况下，用户之间相互独立，可以很好地保证用户偏好评估的准确性。其次，CB算法具有较高的可解释性，利用物品的描述信息，能够方便地向用户解释推荐结果。同时，CB算法的缺点也不可忽视。首先，物品的描述信息一般比较难获取，大部分公开数据集中只包含了用户的购物记录和对物品的评分，这对于特征获取造成了很大的困难。并且，CB算法只依赖于用户过去对某些物品的喜好，它产生的推荐结果也只会是与用户过去选择相似的其他物品，无法挖掘出用户的潜在兴趣。另外，在实际应用中，仅仅使用CB算法获得的准确性并不是非常理想，目前大部分推荐系统都将该算法作为辅助，用于提高在包含丰富物品描述信息情况下的推荐效果。1.2.2基于近邻的协同过滤推荐算法协同过滤推荐算法（collaborativefiltering，简称CF）是目前推荐系统中最广泛使用的推荐算法，也是目前推荐算法的研究热点[46-50]。在2006年举办的NetflixPrize大赛上，CF算法取得了优异的成绩，从而获得了研究人员的关注[51]。图1-3基于近邻的协同过滤推荐算法示意图Figure1-3Theschematicdiagramofaneighborhood-basedcollaborativefilteringrecommendationalgorithm.与CB算法不同，CF算法认为用户在做任何决策时，都会受到其他人的影响，所以考虑利用物品和用户之间的交互信息来评估用户的偏好，从而进行推荐[52,53]。基于近邻的协同过滤算法（neighborhood-basedcollaborativefiltering，简称NBCF）是经典的CF算法之一[54]，所谓近邻，通常情况指的是与目标用户最为相似的一组
【参考文献】：
期刊论文
[1]一种改进的均方差协同过滤算法[J]. 饶钰,陈光,邱天. 计算机与现代化. 2019(04)
[2]基于结构化数据的搜索引擎[J]. 姜恩波,覃琳. 现代情报. 2019(02)
[3]基于联合概率矩阵分解的群推荐方法研究[J]. 王刚,蒋军,王含茹,杨善林. 计算机学报. 2019(01)
[4]基于改进的Jaccard相似系数矩阵的社团划分算法[J]. 张猛,李玲娟. 南京邮电大学学报(自然科学版). 2018(06)
[5]群组推荐分析与研究综述[J]. 吴云昌,刘柏嵩,王洋洋,费晨杰. 电信科学. 2018(12)
[6]浅析我国互联网经济的现状及发展趋势[J]. 王立鑫. 时代金融. 2018(32)
[7]社交电子商务购前分享动机研究[J]. 戴国良. 中国流通经济. 2018(10)
[8]隐式反馈场景下基于Pairwise排序学习的因子分解机算法[J]. 靳冠坤,库涛,温广波,贾敬崧. 科学技术与工程. 2018(16)
[9]社会化电子商务研究综述[J]. 银伟丽,钱瑛. 现代商贸工业. 2018(16)
[10]社交网络与电商发展的融合前景探析[J]. 马海丽. 商业经济研究. 2018(08)
博士论文
[1]基于社交网络个体行为特征的信息推荐算法研究[D]. 陈玲姣.电子科技大学 2018
[2]网络用户偏好预测关键技术研究[D]. 张致远.北京交通大学 2018
[3]时间感知的推荐算法研究[D]. 李文俊.电子科技大学 2017
[4]融合上下文信息的混合协同过滤推荐算法研究[D]. 纪科.北京交通大学 2016
[5]互联网用户行为分析及信息演化模式研究[D]. 熊菲.北京交通大学 2013
硕士论文
[1]单类协同过滤推荐算法的研究[D]. 张云洲.中国科学技术大学 2018
[2]基于物质扩散的个性化推荐算法研究[D]. 陈桂林.北京邮电大学 2018
[3]活动型社会网络的多重推荐算法研究[D]. 田丽红.北京交通大学 2018
[4]亚马逊购物网和淘宝网经营策略比较研究[D]. 关琳.黑龙江大学 2016
[5]朴素贝叶斯分类器的研究与应用[D]. 王国才.重庆交通大学 2010
本文编号：3234735
【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】：125 页
【学位级别】：博士
【部分图文】：
推荐系统主要组成部分Figure1-1Themaincomponentsofrecommendersystems.
北京交通大学博士学位论文绪论4了涉及多学科领域的研究内容[21,26,27]。包括计算机科学、物理学、管理学在内的多门学科都对推荐算法的发展做出了卓越的贡献。目前，国内外学者针对推荐算法的研究主要集中在利用复杂网络[28-31]和机器学习[32-35]理论解决个性化推荐和群组推荐问题，提升推荐算法的性能，提高推荐结果的准确性和多样性。本节根据推荐算法的计算方式和解决问题的不同，对推荐算法的研究现状进行综述。1.2.1基于内容的推荐算法基于内容的推荐算法（content-basedrecommendationalgorithms，简称CB）是最早被使用的推荐算法之一，其原理是通过分析物品的描述信息，对物品特征进行建模，并根据用户过去选择过的物品，为用户推荐相同类别或相似的其他物品[36]。例如，购物网站的推荐系统可以根据用户之前多次购买过的某个种类的产品而认为该用户对这类产品比较感兴趣，同理，一个饭店推荐系统可以依据用户之前多次光顾过烤肉店而为该用户推荐其他烤肉店。CB算法的流程如图1-2所示，主要分为三步，分别是内容分析、偏好学习和推荐结果生成。这三个步骤分别通过内容分析器、偏好学习器和过滤器来实现[26]。图1-2基于内容的推荐算法示意图Figure1-2Theschematicdiagramofacontent-basedrecommendationalgorithm.在物品的描述信息中，存在着许多非结构化数据，这些数据难以直接在推荐算法中使用。内容分析器的作用是收集和处理这些非结构化的数据，并根据推荐算法的需要，将这些数据转换为结构化的物品描述信息，以便抽取物品的特征向量，进行后续的特征学习。在推荐系统的应用场景中，非结构化数据以文本居多，例如产
北京交通大学博士学位论文绪论6所有用户的历史数据都是真实的，某些用户的历史数据可能存在“作弊”行为。在这种情况下，用户之间相互独立，可以很好地保证用户偏好评估的准确性。其次，CB算法具有较高的可解释性，利用物品的描述信息，能够方便地向用户解释推荐结果。同时，CB算法的缺点也不可忽视。首先，物品的描述信息一般比较难获取，大部分公开数据集中只包含了用户的购物记录和对物品的评分，这对于特征获取造成了很大的困难。并且，CB算法只依赖于用户过去对某些物品的喜好，它产生的推荐结果也只会是与用户过去选择相似的其他物品，无法挖掘出用户的潜在兴趣。另外，在实际应用中，仅仅使用CB算法获得的准确性并不是非常理想，目前大部分推荐系统都将该算法作为辅助，用于提高在包含丰富物品描述信息情况下的推荐效果。1.2.2基于近邻的协同过滤推荐算法协同过滤推荐算法（collaborativefiltering，简称CF）是目前推荐系统中最广泛使用的推荐算法，也是目前推荐算法的研究热点[46-50]。在2006年举办的NetflixPrize大赛上，CF算法取得了优异的成绩，从而获得了研究人员的关注[51]。图1-3基于近邻的协同过滤推荐算法示意图Figure1-3Theschematicdiagramofaneighborhood-basedcollaborativefilteringrecommendationalgorithm.与CB算法不同，CF算法认为用户在做任何决策时，都会受到其他人的影响，所以考虑利用物品和用户之间的交互信息来评估用户的偏好，从而进行推荐[52,53]。基于近邻的协同过滤算法（neighborhood-basedcollaborativefiltering，简称NBCF）是经典的CF算法之一[54]，所谓近邻，通常情况指的是与目标用户最为相似的一组
【参考文献】：
期刊论文
[1]一种改进的均方差协同过滤算法[J]. 饶钰,陈光,邱天. 计算机与现代化. 2019(04)
[2]基于结构化数据的搜索引擎[J]. 姜恩波,覃琳. 现代情报. 2019(02)
[3]基于联合概率矩阵分解的群推荐方法研究[J]. 王刚,蒋军,王含茹,杨善林. 计算机学报. 2019(01)
[4]基于改进的Jaccard相似系数矩阵的社团划分算法[J]. 张猛,李玲娟. 南京邮电大学学报(自然科学版). 2018(06)
[5]群组推荐分析与研究综述[J]. 吴云昌,刘柏嵩,王洋洋,费晨杰. 电信科学. 2018(12)
[6]浅析我国互联网经济的现状及发展趋势[J]. 王立鑫. 时代金融. 2018(32)
[7]社交电子商务购前分享动机研究[J]. 戴国良. 中国流通经济. 2018(10)
[8]隐式反馈场景下基于Pairwise排序学习的因子分解机算法[J]. 靳冠坤,库涛,温广波,贾敬崧. 科学技术与工程. 2018(16)
[9]社会化电子商务研究综述[J]. 银伟丽,钱瑛. 现代商贸工业. 2018(16)
[10]社交网络与电商发展的融合前景探析[J]. 马海丽. 商业经济研究. 2018(08)
博士论文
[1]基于社交网络个体行为特征的信息推荐算法研究[D]. 陈玲姣.电子科技大学 2018
[2]网络用户偏好预测关键技术研究[D]. 张致远.北京交通大学 2018
[3]时间感知的推荐算法研究[D]. 李文俊.电子科技大学 2017
[4]融合上下文信息的混合协同过滤推荐算法研究[D]. 纪科.北京交通大学 2016
[5]互联网用户行为分析及信息演化模式研究[D]. 熊菲.北京交通大学 2013
硕士论文
[1]单类协同过滤推荐算法的研究[D]. 张云洲.中国科学技术大学 2018
[2]基于物质扩散的个性化推荐算法研究[D]. 陈桂林.北京邮电大学 2018
[3]活动型社会网络的多重推荐算法研究[D]. 田丽红.北京交通大学 2018
[4]亚马逊购物网和淘宝网经营策略比较研究[D]. 关琳.黑龙江大学 2016
[5]朴素贝叶斯分类器的研究与应用[D]. 王国才.重庆交通大学 2010
本文编号：3234735
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3234735.html
