本文關(guān)鍵詞：個性化推薦中關(guān)于專家用戶的研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著互聯(lián)網(wǎng)的發(fā)展,信息爆炸的時代已經(jīng)到來,人們往往會遭受到很多無用信息帶來的困擾。個性化推薦系統(tǒng)的重要性逐漸凸顯出來,因為它不僅可以幫人們過濾掉很多無用的信息,而且商家也可以通過虛擬營銷增加他們的收入。因此它吸引了很多來自工業(yè)界和學術(shù)界人士對個性化推薦算法的研究。近年來,隨著社交網(wǎng)絡(luò)的快速發(fā)展,基于社交網(wǎng)絡(luò)的個性化推薦算法已成為推薦領(lǐng)域的主要研究方向。冷啟動和數(shù)據(jù)稀疏兩大問題是個性化推薦算法研究中不可避免的挑戰(zhàn),它們會嚴重影響推薦算法的整體性能。在基于社交網(wǎng)絡(luò)的個性化推薦算法研究中,人們往往將多種用戶之間的社會關(guān)系加入推薦算法,減輕用戶冷啟動給個性化推薦帶來的不良影響。然而傳統(tǒng)方法大多使用的是用戶間的顯性關(guān)系,如朋友關(guān)系。實際上冷啟動用戶很難有足夠多的顯性關(guān)系供算法學習。鑒于此,本文提出了將用戶間的隱性關(guān)系——專家關(guān)系用于個性化推薦,即利用冷啟動用戶感興趣領(lǐng)域的專家來學習用戶偏好,主要工作分為兩部分：1)當數(shù)據(jù)集中標注了哪些是專家用戶時,本文利用興趣圈中的朋友和專家優(yōu)化個性化推薦算法。興趣圈由訪問某一類別商品的用戶群及他們之間的社會關(guān)系構(gòu)成,不同用戶訪問同一類別商品表明他們對此類別具有相似興趣。算法通過設(shè)計朋友關(guān)系和專家關(guān)系的正則化項來約束矩陣分解目標函數(shù),提高推薦的準確度。并且在Yelp競賽的真實數(shù)據(jù)集上做了充分的實驗來驗證算法效果。2)在數(shù)據(jù)集中沒有給出專家用戶的情況下,首先根據(jù)信息傳播理論和用戶評分記錄提出了一種無監(jiān)督的專家發(fā)現(xiàn)方法。然后將發(fā)現(xiàn)的專家對用戶的影響融合到目標函數(shù)中來優(yōu)化個性化推薦算法。最后在Yelp和Epinions兩個數(shù)據(jù)集上做了大量的實驗,驗證算法對用戶評分預測的準確度以及在冷啟動用戶上算法預測的準確度。
【關(guān)鍵詞】：社交網(wǎng)絡(luò) 興趣圈 專家 個性化推薦 冷啟動用戶
【學位授予單位】：中國科學技術(shù)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.3
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 緒論10-18
• 1.1 研究背景11-12
• 1.2 個性化推薦研究及應用12-15
• 1.2.1 國內(nèi)外研究現(xiàn)狀12-14
• 1.2.2 個性化推薦的應用14-15
• 1.3 研究動機15
• 1.4 研究內(nèi)容15-16
• 1.5 本文組織結(jié)構(gòu)16-18
• 第2章 相關(guān)工作概述18-26
• 2.1 個性化推薦算法18-23
• 2.1.1 基于內(nèi)容的推薦算法18-19
• 2.1.2 基于關(guān)聯(lián)規(guī)則的推薦算法19-20
• 2.1.3 基于協(xié)同過濾的推薦算法20-22
• 2.1.4 基于社交網(wǎng)絡(luò)的推薦算法22-23
• 2.2 矩陣分解模型介紹23-25
• 2.2.1 基本矩陣分解23-24
• 2.2.2 概率矩陣分解24-25
• 2.3 本章小結(jié)25-26
• 第3章 基于興趣圈中社會關(guān)系的推薦算法26-40
• 3.1 用戶冷啟動問題26-27
• 3.2 基于興趣圈的社會關(guān)系27-29
• 3.3 基于興趣圈的推薦算法29-32
• 3.3.1 基于興趣圈的基本矩陣分解29
• 3.3.2 基于朋友關(guān)系的正則化項設(shè)計29-30
• 3.3.3 基于專家關(guān)系的正則化項設(shè)計30-31
• 3.3.4 模型參數(shù)推導以及算法復雜度分析31-32
• 3.4 實驗結(jié)果及分析32-38
• 3.4.1 數(shù)據(jù)集32-33
• 3.4.2 評價指標33-34
• 3.4.3 對比實驗34-38
• 3.5 本章小結(jié)38-40
• 第4章 基于無監(jiān)督專家發(fā)現(xiàn)的個性化推薦40-56
• 4.1 專家發(fā)現(xiàn)40-42
• 4.1.1 構(gòu)建社交網(wǎng)絡(luò)41
• 4.1.2 基于朋友關(guān)系和基于用戶相似性的專家發(fā)現(xiàn)41-42
• 4.2 基于專家發(fā)現(xiàn)的推薦算法42-45
• 4.2.1 無監(jiān)督專家的正則化項設(shè)計43-44
• 4.2.2 基于興趣圈的專家優(yōu)化推薦算法44
• 4.2.3 模型參數(shù)推導以及算法復雜度分析44-45
• 4.3 實驗結(jié)果及分析45-54
• 4.3.1 數(shù)據(jù)集45-46
• 4.3.2 對比實驗46-50
• 4.3.3 用戶冷啟動實驗50-52
• 4.3.4 模型參數(shù)分析52-54
• 4.4 本章小結(jié)54-56
• 第5章 工作總結(jié)及展望56-58
• 5.1 全文總結(jié)56-57
• 5.2 展望未來57-58
• 參考文獻58-62
• 致謝62-64
• 在讀期間發(fā)表的學術(shù)論文與取得的其他研究成果64

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 徐義峰;徐云青;劉曉平;;一種基于時間序列性的推薦算法[J];計算機系統(tǒng)應用;2006年10期

2 余小鵬;;一種基于多層關(guān)聯(lián)規(guī)則的推薦算法研究[J];計算機應用;2007年06期

3 張海玉;劉志都;楊彩;賈松浩;;基于頁面聚類的推薦算法的改進[J];計算機應用與軟件;2008年09期

4 張立燕;;一種基于用戶事務模式的推薦算法[J];福建電腦;2009年03期

5 王晗;夏自謙;;基于蟻群算法和瀏覽路徑的推薦算法研究[J];中國科技信息;2009年07期

6 周珊丹;周興社;王海鵬;倪紅波;張桂英;苗強;;智能博物館環(huán)境下的個性化推薦算法[J];計算機工程與應用;2010年19期

7 王文;;個性化推薦算法研究[J];電腦知識與技術(shù);2010年16期

8 張愷;秦亮曦;寧朝波;李文閣;;改進評價估計的混合推薦算法研究[J];微計算機信息;2010年36期

9 夏秀峰;代沁;叢麗暉;;用戶顯意識下的多重態(tài)度個性化推薦算法[J];計算機工程與應用;2011年16期

10 楊博;趙鵬飛;;推薦算法綜述[J];山西大學學報(自然科學版);2011年03期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個性化推薦算法[A];第二十四屆中國數(shù)據(jù)庫學術(shù)會議論文集（技術(shù)報告篇）[C];2007年

2 唐燦;;基于模糊用戶心理模式的個性化推薦算法[A];2008年計算機應用技術(shù)交流會論文集[C];2008年

3 秦國;杜小勇;;基于用戶層次信息的協(xié)同推薦算法[A];第二十一屆中國數(shù)據(jù)庫學術(shù)會議論文集（技術(shù)報告篇）[C];2004年

4 周玉妮;鄭會頌;;基于瀏覽路徑選擇的蟻群推薦算法:用于移動商務個性化推薦系統(tǒng)[A];社會經(jīng)濟發(fā)展轉(zhuǎn)型與系統(tǒng)工程——中國系統(tǒng)工程學會第17屆學術(shù)年會論文集[C];2012年

5 蘇日啟;胡皓;汪秉宏;;基于網(wǎng)絡(luò)的含時推薦算法[A];第五屆全國復雜網(wǎng)絡(luò)學術(shù)會議論文（摘要）匯集[C];2009年

6 梁莘q，

本文編號：258757