【摘要】：隨著信息技術(shù)的飛速發(fā)展,互聯(lián)網(wǎng)中的數(shù)據(jù)逐漸呈指數(shù)級(jí)增長(zhǎng),為了從海量數(shù)據(jù)中獲取有效信息,滿(mǎn)足不同用戶(hù)需求的推薦系統(tǒng)應(yīng)運(yùn)而生。近年來(lái),推薦系統(tǒng)應(yīng)用于社交網(wǎng)絡(luò)中推動(dòng)服務(wù)發(fā)展的案例屢見(jiàn)不鮮,因此,開(kāi)展如何將社交信息融入推薦系統(tǒng),提高面向社交網(wǎng)絡(luò)的群組推薦效果,已成為一個(gè)研究熱點(diǎn)。但是,目前大多數(shù)面向社交網(wǎng)絡(luò)的群組發(fā)現(xiàn)方法存在忽略用戶(hù)顯隱式偏好信息有機(jī)融合的問(wèn)題,導(dǎo)致了群組劃分不合理。此外,社交網(wǎng)絡(luò)推薦系統(tǒng)大都只考慮用戶(hù)的歷史偏好,而忽略了用戶(hù)偏好的時(shí)間遷移性問(wèn)題,最終給推薦結(jié)果帶來(lái)了或多或少的負(fù)面影響。針對(duì)以上問(wèn)題,本文對(duì)面向社交網(wǎng)絡(luò)的群組發(fā)現(xiàn)和推薦開(kāi)展研究,主要工作有:從群組發(fā)現(xiàn)角度,針對(duì)目前大多數(shù)面向社交網(wǎng)絡(luò)的群組發(fā)現(xiàn)方法中存在忽略用戶(hù)顯隱式偏好信息有機(jī)融合的問(wèn)題,提出了一種基于多視圖學(xué)習(xí)的社交網(wǎng)絡(luò)群組發(fā)現(xiàn)方法。該方法首先根據(jù)用戶(hù)歷史活動(dòng)信息提取多維度的用戶(hù)顯式偏好信息,采用動(dòng)態(tài)主題模型動(dòng)態(tài)生成和更新用戶(hù)偏好,然后,結(jié)合多視圖來(lái)融合用戶(hù)顯式偏好信息,為獲取更多的用戶(hù)信息,利用無(wú)監(jiān)督學(xué)習(xí)訓(xùn)練得出隱式偏好信息,最后,利用用戶(hù)相似度矩陣劃分群組。通過(guò)仿真實(shí)驗(yàn)對(duì)比得出該方法提高了群組內(nèi)用戶(hù)的相似度和推薦的精確度,并降低了推薦的誤差率。從群組推薦角度,針對(duì)現(xiàn)有大多數(shù)面向社交網(wǎng)絡(luò)的群組推薦方法忽略了用戶(hù)偏好的時(shí)間遷移性問(wèn)題,提出了一種基于深度學(xué)習(xí)的社交網(wǎng)絡(luò)群組推薦方法。該方法首先挖掘出用戶(hù)的歷史偏好信息,將偏好信息基于主題內(nèi)容進(jìn)行分層聚類(lèi),基于LDA主題模型獲取用戶(hù)偏好的主題分布,通過(guò)時(shí)間函數(shù)調(diào)整權(quán)重來(lái)動(dòng)態(tài)獲取用戶(hù)偏好,然后,基于深度語(yǔ)義網(wǎng)絡(luò)提取用戶(hù)與推薦服務(wù)的特征,考慮到用戶(hù)的社交關(guān)系會(huì)影響用戶(hù)的服務(wù)選擇,本文建模了用戶(hù)間的交流過(guò)程,它被轉(zhuǎn)換為深度神經(jīng)網(wǎng)絡(luò)來(lái)求解得出用戶(hù)服務(wù)評(píng)分,最后,根據(jù)組內(nèi)成員的服務(wù)評(píng)分來(lái)完成群組推薦。仿真實(shí)驗(yàn)的結(jié)果表明,該方法緩解了用戶(hù)偏好的靜態(tài)限制,提高了推薦的精度和準(zhǔn)確率。本文基于以上方法理論,設(shè)計(jì)了面向社交網(wǎng)絡(luò)的群組推薦原型系統(tǒng),給出了一個(gè)模擬微博客戶(hù)端的群組服務(wù)推薦應(yīng)用示范。詳細(xì)介紹了該系統(tǒng)的各組成部分、操作流程以及系統(tǒng)結(jié)構(gòu),驗(yàn)證了本文所提出方法和理論的可行性,展示了基于多視圖學(xué)習(xí)的社交網(wǎng)絡(luò)群組發(fā)現(xiàn)方法和基于深度學(xué)習(xí)的社交網(wǎng)絡(luò)群組推薦方法在真實(shí)社交網(wǎng)絡(luò)下的推薦效果。該原型系統(tǒng)實(shí)現(xiàn)了本文方法理論和實(shí)際應(yīng)用場(chǎng)景的友好結(jié)合,通過(guò)效果展示體現(xiàn)了其有效性與實(shí)用性。
【學(xué)位授予單位】：南京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：TP391.3;TP393.0
【圖文】：

利用組用戶(hù)之間的連接來(lái)挖掘服務(wù)-用戶(hù)對(duì)集合，然后，在其執(zhí)行協(xié)作過(guò)濾以生成基群體的推薦列表。之后，提出了一種新的聚合函數(shù)，將所有興趣子群體的推薦列表終的群推薦結(jié)果。 BP 神經(jīng)網(wǎng)絡(luò)）BP 神經(jīng)網(wǎng)絡(luò)BP(Backpropagation)神經(jīng)網(wǎng)絡(luò)是一種多層的前饋神經(jīng)網(wǎng)絡(luò)，其主要的特點(diǎn)是：信號(hào)播的，而誤差是反向傳播的[71-73]。具體來(lái)說(shuō)，對(duì)于只含一個(gè)隱層的神經(jīng)網(wǎng)絡(luò)模型：應(yīng)為 n 個(gè)特征。BP 網(wǎng)絡(luò)是在輸入層與輸出層之間增加若干層(一層或多層)神經(jīng)元，元稱(chēng)為隱單元，它們與外界沒(méi)有直接的聯(lián)系，但其狀態(tài)的改變，則能影響輸入與輸關(guān)系，每一層可以有若干個(gè)節(jié)點(diǎn)。定義三層的 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如圖 2.1 所示：

u= u u. 方法如下，其中 代表群組對(duì)項(xiàng)目的預(yù)估值，向量 代表RMSE = √ ( ) . ）是表示改善推薦精度的百分比：a = . 與分析文所提出算法的性能，本文選擇與 TMLCD 算法[11]和 UISA分析。的方法與單視圖的方法進(jìn)行推薦比較，用精度和召回率來(lái)評(píng)

名稱(chēng) 關(guān)注 收藏 點(diǎn)贊 評(píng)論 共同朋友 標(biāo)記數(shù)量 0.298 0.254 0.167 0.132 0.097 0.052表 3.3 推薦效果改善對(duì)比群組人數(shù) TMLCD UISA UMSVL50 1.96 2.56 3.02100 1.87 2.19 2.69200 2.26 1.95 2.57400 1.56 1.53 2.38500 1.48 1.37 2.06出了在不同群組規(guī)模下 3 種方法的推薦效果改善對(duì)比。從表 3 中可果優(yōu)于其它兩種方法�，F(xiàn)方法精度及誤差對(duì)比結(jié)果如圖 3.2 和圖 3.3 所示：

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳健;周麗華;;大學(xué)生社交網(wǎng)絡(luò)自我表露的實(shí)證研究[J];高校輔導(dǎo)員學(xué)刊;2018年06期

2 譚洪旭;袁帥;代連奇;任利峰;;淺談社交網(wǎng)絡(luò)對(duì)當(dāng)代大學(xué)生的影響[J];產(chǎn)業(yè)與科技論壇;2018年24期

3 孫夏卿;;社交網(wǎng)絡(luò)媒體對(duì)大學(xué)生賦權(quán)的價(jià)值體現(xiàn)[J];傳播力研究;2018年31期

4 張曉飛;;以社交網(wǎng)絡(luò)為基礎(chǔ)的企業(yè)營(yíng)銷(xiāo)策略[J];商場(chǎng)現(xiàn)代化;2018年22期

5 孫國(guó)強(qiáng);竇倩倩;張寶建;;西方社交網(wǎng)絡(luò)研究進(jìn)展與未來(lái)展望[J];情報(bào)科學(xué);2019年02期

6 陳文泰;李衛(wèi)東;;國(guó)際社交網(wǎng)絡(luò)中“國(guó)家實(shí)在”傳播與國(guó)家形象演化機(jī)制研究[J];新聞大學(xué);2018年06期

7 孫晉;沈紅;;社交網(wǎng)絡(luò)群體性迷失現(xiàn)象分析[J];電腦知識(shí)與技術(shù);2019年12期

8 鄧華闖;項(xiàng)yN麟;周楠;周子清;;社交網(wǎng)絡(luò)招聘有效性影響因素研究[J];中小企業(yè)管理與科技(上旬刊);2019年04期

9 王超瓊;陳s

本文編號(hào)：2774673