本文選題：推薦系統(tǒng)　切入點：社會化推薦　出處：《昆明理工大學(xué)》2017年碩士論文

【摘要】：隨著大數(shù)據(jù)時代的到來,互聯(lián)網(wǎng)中充斥著大量紛繁的數(shù)據(jù),如何快速、高效的發(fā)現(xiàn)用戶需要的信息已經(jīng)成為人們關(guān)心的熱點之一。推薦系統(tǒng)是基于信息過濾技術(shù)向用戶推薦感興趣信息的推薦工具,推薦系統(tǒng)的出現(xiàn)有效的緩解了目前存在的信息過載問題。然而傳統(tǒng)推薦系統(tǒng)仍然存在以下挑戰(zhàn):第一,大多數(shù)的傳統(tǒng)推薦算法假設(shè)用戶之間是相互獨立的,這種假設(shè)忽略了用戶之間的社交關(guān)系對用戶決策的影響,這與我們現(xiàn)實世界中的人際關(guān)系是不相符合的。第二,雖然現(xiàn)在已經(jīng)有一些推薦算法為了考慮社交網(wǎng)絡(luò)中用戶之間的關(guān)系對用戶決策的影響也開始把用戶之間的社交關(guān)系作為推薦系統(tǒng)的影響因素。然而用戶社交關(guān)系的稀疏性導(dǎo)致大多數(shù)的數(shù)據(jù)集中只挖掘到了極少數(shù)的用戶之間的關(guān)系數(shù)據(jù)。本文針對上述推薦算法所面臨的問題和挑戰(zhàn)提出了一種推薦算法,該算法融合了信任傳播和奇異值分解模型。首先,本文針對傳統(tǒng)推薦算法忽略了用戶之間的社交關(guān)系的問題,提出了一種信任傳播算法,該算法通過具有直接關(guān)聯(lián)關(guān)系的用戶作為傳輸信任的紐帶推導(dǎo)出沒有直接關(guān)聯(lián)關(guān)系的用戶之間的信任度,從而填充信任關(guān)系矩陣,緩解了用戶信任關(guān)系矩陣稀疏的難題。其次,由于用戶評分矩陣的稀疏性導(dǎo)致了推薦系統(tǒng)的推薦質(zhì)量降低,奇異值分解模型可以將數(shù)據(jù)映射到低維空間,然后計算低維空間中的item之間的相似度,對用戶未評分的item進(jìn)行評分預(yù)測,最后將預(yù)測評分高的item推薦給用戶,提高了推薦系統(tǒng)的推薦質(zhì)量。本文中同時結(jié)合信任傳播規(guī)則和奇異值分解模型進(jìn)行推薦將有利于提高推薦系統(tǒng)的推薦質(zhì)量。最后,為了驗證本文所提出的算法的有效性我們通過在兩個公開網(wǎng)站Epinions.com和,Filmtrust.com網(wǎng)站上面爬取的數(shù)據(jù)集與傳統(tǒng)推薦算法進(jìn)行實驗對比,實驗結(jié)果表明本文提出的方法取得了較好的效果。
[Abstract]:With the arrival of big data era, the Internet is full of a lot of data, how to quickly and efficiently find the information users need has become one of the hot spots.Recommendation system is a recommendation tool based on information filtering technology to recommend interested information to users. The appearance of recommendation system effectively alleviates the existing problem of information overload.However, the following challenges still exist in traditional recommendation systems: first, most of the traditional recommendation algorithms assume that users are independent of each other, and this assumption ignores the impact of social relationships between users on users' decisions.This is incompatible with our real-world relationships.Second, although there are some recommendation algorithms to consider the relationship between users in social networks on the impact of user decision-making, also began to consider the social relationship between users as a recommendation system factors.However, the sparsity of user social relationships leads to the mining of only a few relational data between users in most datasets.In this paper, we propose a recommendation algorithm, which combines trust propagation and singular value decomposition model, in view of the problems and challenges faced by the above recommendation algorithms.Firstly, aiming at the problem that traditional recommendation algorithms ignore the social relationship between users, a trust propagation algorithm is proposed in this paper.The trust degree between users without direct relationship is derived by using the user with direct association relationship as the link of transmission trust, thus filling the trust relationship matrix, which alleviates the problem of sparse user trust relationship matrix.Secondly, due to the sparsity of the user score matrix, the recommendation quality of the recommendation system is reduced. The singular value decomposition model can map the data to the low-dimensional space, and then calculate the similarity between the item in the low-dimensional space.In the end, the item with high prediction score is recommended to the user, which improves the recommendation quality of the recommendation system.In this paper, combining trust propagation rules and singular value decomposition model for recommendation will be helpful to improve the recommendation quality of recommendation system.Finally, in order to verify the effectiveness of the proposed algorithm, we compare the data set crawled on two public websites, Epinions.com and Filmtrust.com, with the traditional recommendation algorithm.The experimental results show that the proposed method has achieved good results.
【學(xué)位授予單位】：昆明理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.3

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孟祥武;劉樹棟;張玉潔;胡勛;;社會化推薦系統(tǒng)研究[J];軟件學(xué)報;2015年06期

2 郭磊;馬軍;陳竹敏;姜浩然;;一種結(jié)合推薦對象間關(guān)聯(lián)關(guān)系的社會化推薦算法[J];計算機(jī)學(xué)報;2014年01期

3 于洪濤;周靜;張付志;;融合信任傳播和矩陣分解的協(xié)同推薦算法[J];燕山大學(xué)學(xué)報;2013年05期

4 尹航;常桂然;王興偉;;采用聚類算法優(yōu)化的K近鄰協(xié)同過濾算法[J];小型微型計算機(jī)系統(tǒng);2013年04期

5 嵇曉聲;劉宴兵;羅來明;;協(xié)同過濾中基于用戶興趣度的相似性度量方法[J];計算機(jī)應(yīng)用;2010年10期

6 黃創(chuàng)光;印鑒;汪靜;劉玉葆;王甲海;;不確定近鄰的協(xié)同過濾推薦算法[J];計算機(jī)學(xué)報;2010年08期

7 馬宏偉;張光衛(wèi);李鵬;;協(xié)同過濾推薦算法綜述[J];小型微型計算機(jī)系統(tǒng);2009年07期

8 劉魯;任曉麗;;推薦系統(tǒng)研究進(jìn)展及展望[J];信息系統(tǒng)學(xué)報;2008年01期

9 周軍鋒,湯顯,郭景峰;一種優(yōu)化的協(xié)同過濾推薦算法[J];計算機(jī)研究與發(fā)展;2004年10期

10 鄧愛林,朱揚勇,施伯樂;基于項目評分預(yù)測的協(xié)同過濾推薦算法[J];軟件學(xué)報;2003年09期

相關(guān)博士學(xué)位論文 前2條

1 郭磊;社會網(wǎng)絡(luò)中基于社會關(guān)系的推薦算法研究[D];山東大學(xué);2015年

2 孫小華;協(xié)同過濾系統(tǒng)的稀疏性與冷啟動問題研究[D];浙江大學(xué);2005年

相關(guān)碩士學(xué)位論文 前3條

1 王美玲;基于加權(quán)信任關(guān)系和用戶相似性融合的社會化推薦算法研究[D];山東大學(xué);2015年

2 王魯慶;基于Kruskal算法改進(jìn)的K-means聚類和用戶興趣變化的推薦系統(tǒng)研究[D];昆明理工大學(xué);2015年

3 劉裕章;基于信任的協(xié)同過濾推薦算法研究與應(yīng)用[D];中山大學(xué);2012年

，

本文編號：1704280