【摘要】：隨著信息的爆炸式增長(zhǎng),推薦系統(tǒng)的出現(xiàn)提供了一種有效解決信息過載問題的手段,它能夠幫助用戶從互聯(lián)網(wǎng)產(chǎn)生的海量信息中提取有用的信息內(nèi)容。首先,它通過分析用戶在互聯(lián)網(wǎng)中產(chǎn)生的行為數(shù)據(jù),然后在此基礎(chǔ)上建立用戶興趣模型,為他們提供感興趣或需要的內(nèi)容。近幾年,推薦系統(tǒng)研究廣泛應(yīng)用于計(jì)算廣告,電商和視頻網(wǎng)站等領(lǐng)域,提升了商業(yè)價(jià)值。然而傳統(tǒng)的推薦算法忽略了社會(huì)網(wǎng)絡(luò)中的社會(huì)影響力對(duì)推薦系統(tǒng)的影響,事實(shí)上,在現(xiàn)實(shí)生活中人們常常會(huì)選擇朋友推薦的產(chǎn)品。于是,社會(huì)影響力也是一種提升推薦效果的重要來源,隨著微博,微信等社交媒體的流行,越來越多的人開始研究在社會(huì)網(wǎng)絡(luò)的基礎(chǔ)上,利用社會(huì)關(guān)系等信息來提高推薦質(zhì)量。本文在分析推薦系統(tǒng)領(lǐng)域的相關(guān)研究基礎(chǔ)上,發(fā)現(xiàn)從用戶之間的社會(huì)關(guān)系入手,加入用戶的社會(huì)影響力能夠有效改善推薦效果。然而,目前一些加入社會(huì)關(guān)系的推薦算法中,考慮的社會(huì)影響力都是單一靜態(tài)的,忽略了社會(huì)影響力的多樣性和動(dòng)態(tài)變化等特征,顯然這與事實(shí)是不相符合的。另外,用戶在社會(huì)網(wǎng)絡(luò)中往往會(huì)表現(xiàn)出不同的行為傾向,用戶角色信息與行為特征又是息息相關(guān)的,而現(xiàn)有的一些加入社會(huì)關(guān)系的推薦算法往往忽略用戶的角色多樣性。因此,本文中主要從這兩個(gè)方面入手來解決推薦系統(tǒng)中存在的問題。推薦系統(tǒng)需要挖掘用戶的興趣并預(yù)測(cè)他們的行為,而社會(huì)影響力正是探索用戶交互的一種重要手段。通過分析用戶交互網(wǎng)絡(luò),本文學(xué)習(xí)了多維度的社會(huì)影響力在挖掘用戶潛在興趣中的重要作用。然而,用戶興趣是隨著時(shí)間變化的,社會(huì)影響力也是動(dòng)態(tài)變化的,因此本文的目的是利用動(dòng)態(tài)的社會(huì)關(guān)系為用戶推薦感興趣的商品,本文對(duì)用戶由于社會(huì)交互而帶來的興趣變化進(jìn)行建模,提出了一種概率圖模型簡(jiǎn)稱為IRDMSI來融入動(dòng)態(tài)的多維度社會(huì)影響力。本文發(fā)現(xiàn)該模型不僅帶來了很好的推薦效果,而且揭示了社會(huì)網(wǎng)絡(luò)中用戶動(dòng)態(tài)交互行為的一些常見規(guī)律。此外針對(duì)用戶間的社會(huì)網(wǎng)絡(luò)關(guān)系,我們從社會(huì)理論的角度分析了社會(huì)影響力。然后,不同類型的用戶(不同角色的用戶)可能有不同的從眾行為�，F(xiàn)有的一些推薦算法大多都假設(shè)用戶角色都是單一而忽略用戶多樣化的角色信息對(duì)推薦的重要影響。因此,我們研究了推薦系統(tǒng)中帶有用戶角色的從眾傾向是如何變化的。我們首先通過定義一個(gè)通用函數(shù)來形式化從眾影響力,然后提出結(jié)合用戶角色和從眾影響力的一個(gè)概率圖模型,即角色從眾推薦系統(tǒng)(RCRS)。該模型允許我們通過利用潛在因子和潛在角色作為特征為用戶推薦商品。我們?cè)趲讉�(gè)數(shù)據(jù)集上評(píng)價(jià)該模型,實(shí)驗(yàn)結(jié)果顯示我們的模型遠(yuǎn)超過一些現(xiàn)有的基準(zhǔn)算法。
【圖文】：

圖 3-3 不同數(shù)據(jù)集中不同方法的性能對(duì)比社會(huì)影響力的作用 我們進(jìn)一步對(duì)不同維度的社會(huì)影響力做深入分析，對(duì)比他們?cè)谠u(píng)價(jià)指標(biāo)NDCG和Pre@5上表現(xiàn)出的不同效果。圖3-3描述了我們的算法IRDMSI在考慮了不同維度的社會(huì)影響力之后的對(duì)比效果。IRDMSIbase代表僅僅考慮基本特征而忽略所有社會(huì)關(guān)系的 IRDMSI 方法。從圖中可以清楚地看出，沒有相應(yīng)的社會(huì)關(guān)系因素，對(duì)應(yīng)的推薦效果在某種程度上會(huì)下降。因?yàn)樵诒菊吕锏膬蓚�(gè)數(shù)據(jù)集中，社會(huì)關(guān)系信息的密度都很小，所以圖中的對(duì)比效果并不是特別明顯。IRDMSIbase+I(or +P or +G)分別表示在IRDMSIbase方法的基礎(chǔ)上，我們分別添加個(gè)人身份特征26

第3章 基于動(dòng)態(tài)多維度社會(huì)影響力的推薦算法（或者同行影響力特征或者小組壓力特征）。通過加入社會(huì)影響力因素的各個(gè)維度，將這些方法與基本的IRDMSIbase方法作對(duì)比，我們可以清楚得看到推薦效果有相應(yīng)的提升。社會(huì)影響力演化分析 最后，我們分析了兩個(gè)數(shù)據(jù)集中的社會(huì)影響力隨著時(shí)間變化的情況。我們從數(shù)據(jù)集中隨機(jī)地選擇一些用戶，觀測(cè)他們隨著時(shí)間演化的過程。從圖 3-4 可以看出，在兩個(gè)數(shù)據(jù)集中大約有三類典型的用戶。其中第一類用戶（如圖中綠色空心圓圈）起初被用戶的社會(huì)網(wǎng)絡(luò)高度影響，很容易受到他人的影響而從眾他人的行為，，但是隨著時(shí)間變化，這種所受的影響力逐漸變小。第二類用戶（如圖中紅色星號(hào)）他們?cè)谟脩艟W(wǎng)絡(luò)中所受的社會(huì)影響力在某種程度上是相對(duì)穩(wěn)定的。最后第三種用戶（如圖中藍(lán)色十字點(diǎn)）他們與第一類用戶有著相反的演化趨勢(shì)。從這些可以看出，用戶所受的社會(huì)影響力是動(dòng)態(tài)變化的，因此，在推薦系統(tǒng)中有必要考慮社會(huì)影響力的動(dòng)態(tài)性。
【學(xué)位授予單位】：西南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.3

【參考文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前2條

1 譚鳳;基于概率矩陣分解的個(gè)性化推薦系統(tǒng)研究[D];西南大學(xué);2015年

2 袁金鳳;基于信任擴(kuò)散機(jī)制的推薦系統(tǒng)研究[D];西南大學(xué);2014年

本文編號(hào)：2591772