社交网络中个性化推荐模型及算法研究

发布时间：2017-07-04 22:11

  本文关键词：社交网络中个性化推荐模型及算法研究

  更多相关文章： 个性化推荐 协同过滤 信任关系 时间信息 社交网络

【摘要】：随着社交网络的快速发展，网络上评分信息迅速增加，用户要从如此浩瀚的数据海洋中获取所需要的信息变得越来越困难，搜索引擎技术对所有用户给出相同的搜索结果，为了满足用户的个性化服务需求，各种推荐系统不断出现。目前的推荐算法存在很多局限性，传统的协同过滤推荐算法由于没有考虑社交网络中的社会信息，使得推荐质量不高，不能有效筛选出满足用户需求的项目和商品。 针对上述问题，本文重点研究用户之间的信任关系、时间效应和地理位置等因素对基于社交网络的个性化推荐算法的影响，综合多种上下文信息建立一种新的个性化推荐模型，提高用户的满意度，实现高质量的个性化推荐。本论文的主要研究内容和研究成果总结如下： 1.针对传统协同过滤推荐算法存在的缺陷，本文对矩阵分解技术进行了深入的分析和探讨，分析了特征向量维数对概率矩阵分解算法PMF推荐质量和推荐效率的影响。由于PMF算法仅仅利用用户-项目评分矩阵信息进行推荐，没有考虑用户兴趣偏好随着时间的推移而可能发生变化，致使推荐准确度不高。为此本文提出了融合时间效应的概率矩阵分解算法TPMF。实验结果表明，TPMF算法扩展性比较好，推荐精度比较高，能够解决数据的稀疏性问题。 2.针对社交网络中基于信任关系的个性化推荐问题，综合考虑用户之间的直接信任关系和间接信任关系、信任的传播机制以及用户之间的相似度等因素，本文提出一种综合评价各种社会因素的推荐模型CETrust，该模型把信任关系和用户之间的相似度融合到概率矩阵分解中去，对选择到的信任用户和目标用户的相同偏好进行潜在因子特征分析。实验证明，相比一般的矩阵分解算法和基于用户信任的个性化推荐方法，CETrust算法具有明显的优越性，能够提高用户的满意度。 3.为了进一步提高社交网络中个性化推荐算法的准确度，本文把信任传播机制、时间序列信息和用户-项目评分矩阵等信息融合到概率矩阵分解模型中去，建立了一种新的个性化推荐模型TrustSeqMF，该模型学习用户和项目的潜在特征向量，考虑时间因素，处理信任关系，，即便用户没有对任何项目进行评分，它也可以通过信任关系来学习用户的特征向量。与已有的算法相比较，TrustSeqMF算法能够更好地解决冷启动问题，提高算法推荐的准确度。通过对算法的时间复杂度分析，表明TrustSeqMF算法能够比较容易地扩展到具有较大数据集的应用场景。 4.针对当前比较流行的移动社交网络，提出一种基于上下文感知的移动社交网络推荐模型CMSR，算法通过对移动社交网络中用户之间潜在的社会关系进行分析，将用户的社会信息融入推荐算法，结合时间、地点等上下文因素来对用户可能感兴趣的位置进行预测。实验结果验证了算法的可行性，提高了移动网络环境下算法推荐的准确度。 本文的创新点有以下几点： 1.分析了社交网络中的时间因素和信任关系对个性化推荐算法的影响，并把这些社会因素融入相应的推荐算法中，提高推荐算法的准确度和扩展性。 2.针对移动社交网络环境下的个性化推荐问题，提出一种融合地理位置和时间信息的个性化推荐方法，以使推荐结果更加符合移动用户的实际需求。 3.提出并实现了一种融合多源社会信息的社交网络个性化推荐算法，实验结果证明了算法的优越性。 本文通过对上述研究内容和创新点的讨论，深入分析各种社会因素对社交网络环境下个性化推荐算法准确度的影响，建立综合各种社会因素的推荐模型并应用到实际推荐场景中。实验结果表明，所提出的算法能够达到比较好的推荐精度，为进一步研究社交网络个性化推荐算法提供帮助。
【关键词】：个性化推荐 协同过滤 信任关系 时间信息 社交网络
【学位授予单位】：山东师范大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.3
【目录】：

• 摘要7-9
• ABSTRACT9-12
• 第1章 绪论12-23
• 1.1 研究背景及意义12-14
• 1.1.1 研究背景12-13
• 1.1.2 研究意义13-14
• 1.2 国内外研究现状14-18
• 1.2.1 国内研究现状15-17
• 1.2.2 国外研究现状17-18
• 1.3 研究内容及贡献18-21
• 1.3.1 研究思路与方法18-19
• 1.3.2 研究内容及框架19-21
• 1.3.3 本文的贡献21
• 1.4 论文组织结构21-23
• 第2章 融合时间效应和概率矩阵分解技术的推荐算法23-38
• 2.1 引言23-25
• 2.2 相关工作25-26
• 2.3 基本的概率矩阵分解模型26-28
• 2.4 基于时间效应的协同过滤算法研究28-31
• 2.4.1 时间权值的计算28-29
• 2.4.2 考虑时间效应的协同过滤算法29-30
• 2.4.3 融合时间效应和矩阵分解的推荐模型30-31
• 2.5 实验数据选取和算法评价指标31-33
• 2.5.1 实验环境31
• 2.5.2 数据集简介31-32
• 2.5.3 评价指标32-33
• 2.6 实验结果和分析33-37
• 2.6.1 实验方案33
• 2.6.2 维数对 PMF 算法运行时间的影响33-34
• 2.6.3 训练集和测试集上 RMSE 的比较34-35
• 2.6.4 维数对算法预测精度的影响35
• 2.6.5 对比实验35-36
• 2.6.6 算法性能分析36-37
• 2.7 本章小结37-38
• 第3章 基于社交网络信任综合评价的个性化推荐算法38-60
• 3.1 引言38-39
• 3.2 信任机制39-45
• 3.2.1 信任的定义40
• 3.2.2 信任网络40-42
• 3.2.3 基于信任机制的个性化推荐系统工作原理42-43
• 3.2.4 信任度量的方法43-44
• 3.2.5 信任传播的计算方法44-45
• 3.3 基于信任的推荐模型45-48
• 3.3.1 传统的信任推荐模型45
• 3.3.2 经典的评分预测方法45-47
• 3.3.3 基于概率矩阵分解的信任模型-RSTE47
• 3.3.4 基于信任推荐模型存在的问题47-48
• 3.4 基于信任综合评价的个性化推荐模型48-54
• 3.4.1 CETrust 模型的基本思想48-49
• 3.4.2 CETrust 模型中信任的计算49-50
• 3.4.3 CETrust 概率图模型50-53
• 3.4.4 CETrust 算法设计流程53-54
• 3.5 实验结果和分析54-59
• 3.5.1 数据来源54
• 3.5.2 评价指标54-55
• 3.5.3 实验参数的确定55-56
• 3.5.4 对比方法56-57
• 3.5.5 实验结果57-59
• 3.6 本章小结59-60
• 第4章 融合信任关系和时间序列的个性化推荐算法60-73
• 4.1 引言60-61
• 4.2 相关工作61-63
• 4.3 个性化推荐框架63-69
• 4.3.1 SocialMF 推荐模型63-64
• 4.3.2 SequentialMF 推荐模型64-65
• 4.3.3 TrustSeqMF 推荐模型65-68
• 4.3.4 复杂度分析68-69
• 4.4 实验结果和分析69-71
• 4.4.1 数据集描述69
• 4.4.2 评价标准69-70
• 4.4.3 结果比较70
• 4.4.4 参数分析70-71
• 4.5 本章小结71-73
• 第5章 基于上下文感知的移动社交网络个性化推荐算法73-85
• 5.1 引言73-74
• 5.2 相关工作74-75
• 5.3 基于上下文的移动推荐模型和算法75-78
• 5.3.1 数据模型75-76
• 5.3.2 多维上下文移动社会网络推荐模型--CMSR76-77
• 5.3.3 CMSR 模型算法设计77-78
• 5.4 实验结果与分析78-83
• 5.4.1 数据集简介78
• 5.4.2 评价指标78-79
• 5.4.3 用户签到行为分析79-83
• 5.4.4 推荐精度对比83
• 5.5 本章小结83-85
• 第6章 总结与展望85-87
• 6.1 论文总结85-86
• 6.2 研究展望86-87
• 参考文献87-96
• 攻读博士学位期间发表的部分学术论文96-97
• 攻读博士学位期间主持与参与的科研项目97-98
• 致谢98-99

【参考文献】

中国期刊全文数据库 前10条

1 邢春晓;高凤荣;战思南;周立柱;;适应用户兴趣变化的协同过滤推荐算法[J];计算机研究与发展;2007年02期

2 夏小伍;王卫平;;基于信任模型的协同过滤推荐算法[J];计算机工程;2011年21期

3 王玉祥;乔秀全;李晓峰;孟洛明;;上下文感知的移动社交网络服务选择机制研究[J];计算机学报;2010年11期

4 乔秀全;杨春;李晓峰;陈俊亮;;社交网络服务中一种基于用户上下文的信任度计算方法[J];计算机学报;2011年12期

5 杨长春;孙婧;;用户多兴趣信任度的个性化推荐[J];计算机工程与应用;2012年32期

6 贾冬艳;张付志;;基于双重邻居选取策略的协同过滤推荐算法[J];计算机研究与发展;2013年05期

7 郭磊;马军;陈竹敏;;一种信任关系强度敏感的社会化推荐算法[J];计算机研究与发展;2013年09期

8 陈克寒;韩盼盼;吴健;;基于用户聚类的异构社交网络推荐算法[J];计算机学报;2013年02期

9 郭磊;马军;陈竹敏;姜浩然;;一种结合推荐对象间关联关系的社会化推荐算法[J];计算机学报;2014年01期

10 曾春,邢春晓,周立柱;个性化服务技术综述[J];软件学报;2002年10期

本文编号：519513