社交網(wǎng)絡(luò)的發(fā)展給推薦技術(shù)帶來(lái)了新的契機(jī),利用社交關(guān)系進(jìn)行社會(huì)化的推薦,不僅能提高推薦的準(zhǔn)確率,更能讓用戶信任系統(tǒng)的推薦理由,因而得到了電子商務(wù)網(wǎng)站和許多科研人員的青睞。本文以社會(huì)化推薦中的協(xié)同過(guò)濾推薦算法為主要研究對(duì)象,針對(duì)概率矩陣分解算法在實(shí)際推薦中面臨的準(zhǔn)確性和社交關(guān)系稀疏等問(wèn)題展開(kāi)了調(diào)研與研究,結(jié)合主題模型和聚類等機(jī)器學(xué)習(xí)方法,提出了解決這幾個(gè)問(wèn)題的方案,并通過(guò)實(shí)驗(yàn)驗(yàn)證了所提方案的效果。具體如下：1、針對(duì)基于概率矩陣分解的社會(huì)化推薦算法的準(zhǔn)確性問(wèn)題,提出了一種基于主題的朋友提取概率矩陣分解算法。該算法主要應(yīng)用于社交關(guān)系較為稠密場(chǎng)景下的社會(huì)化推薦問(wèn)題,它針對(duì)現(xiàn)有的社會(huì)化推薦算法在考慮來(lái)自社交關(guān)系的影響時(shí),考慮過(guò)多朋友的影響導(dǎo)致的推薦準(zhǔn)確率下降的問(wèn)題,提出了相應(yīng)的解決方案。該算法將用戶看作喜好的集合,通過(guò)主題模型的訓(xùn)練,挖掘出用戶的喜好,并根據(jù)喜好劃分用戶的社交關(guān)系,使得最終的推薦結(jié)果只受和用戶在物品所屬主題里擁有相同喜好的社交關(guān)系的影響。實(shí)驗(yàn)表明,該算法的推薦誤差小于其他4種傳統(tǒng)的概率矩陣分解算法,在一定程度上提高了推薦的準(zhǔn)確率。2、針對(duì)基于主題的朋友提取概率矩陣分解算法以及其他的... 

【文章來(lái)源】：中國(guó)科學(xué)技術(shù)大學(xué)安徽省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
算法索引
第一章 緒論
    1.1 研究背景和選題意義
        1.1.1 研究背景
        1.1.2 選題意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 個(gè)性化推薦系統(tǒng)的相關(guān)知識(shí)
    2.1 推薦系統(tǒng)簡(jiǎn)介
    2.2 推薦算法
        2.2.1 基于內(nèi)容的推薦算法
        2.2.2 基于協(xié)同過(guò)濾的推薦算法
        2.2.3 混合推薦模型
    2.3 社會(huì)化網(wǎng)絡(luò)中的推薦
        2.3.1 社交網(wǎng)絡(luò)簡(jiǎn)介
        2.3.2 社會(huì)化推薦簡(jiǎn)介
        2.3.3 社會(huì)化推薦算法
    2.4 本章小結(jié)
第三章 基于主題的朋友過(guò)濾概率矩陣分解算法
    3.1 社會(huì)化推薦中存在的問(wèn)題
    3.2 問(wèn)題形式化定義
    3.3 基于主題模型的社交關(guān)系分割
        3.3.1 PLSA主題模型
        3.3.2 模型訓(xùn)練偽代碼
        3.3.3 基于主題的社交關(guān)系網(wǎng)絡(luò)分割
    3.4 TFR-PMF模型
        3.4.1 主題內(nèi)部的推薦模型訓(xùn)練
        3.4.2 主題內(nèi)模型訓(xùn)練偽代碼
        3.4.3 最終評(píng)分的獲取
    3.5 實(shí)驗(yàn)設(shè)計(jì)與分析
        3.5.1 推薦系統(tǒng)實(shí)驗(yàn)方法
        3.5.2 推薦系統(tǒng)評(píng)價(jià)標(biāo)準(zhǔn)
        3.5.3 實(shí)驗(yàn)設(shè)計(jì)
            3.5.3.1 實(shí)驗(yàn)數(shù)據(jù)
            3.5.3.2 實(shí)驗(yàn)環(huán)境
            3.5.3.3 對(duì)比算法
            3.5.3.4 實(shí)驗(yàn)結(jié)果
    3.6 本章小結(jié)
第四章 基于用戶主題聚類的社會(huì)化推薦算法
    4.1 引言
    4.2 基于用戶主題聚類的社會(huì)化推薦算法
        4.2.1 用戶興趣主題的挖掘
        4.2.2 相似用戶的篩選
        4.2.3 稀疏用戶的社會(huì)化推薦
    4.3 實(shí)驗(yàn)設(shè)計(jì)
        4.3.1 對(duì)比實(shí)驗(yàn)算法
        4.3.2 實(shí)驗(yàn)數(shù)據(jù)與環(huán)境
        4.3.3 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章小結(jié)
第五章 總結(jié)和展望
    5.1 論文工作總結(jié)
    5.2 未來(lái)研究展望
參考文獻(xiàn)
致謝
研究生期間已發(fā)表的學(xué)術(shù)論文


【參考文獻(xiàn)】：
期刊論文
[1]一種相似度改進(jìn)的用戶聚類協(xié)同過(guò)濾推薦算法[J]. 孫輝,馬躍,楊海波,張紅松.  小型微型計(jì)算機(jī)系統(tǒng). 2014(09)
[2]基于情境聚類和用戶評(píng)級(jí)的協(xié)同過(guò)濾推薦模型[J]. 鄧曉懿,金淳,韓慶平,樋口良之.  系統(tǒng)工程理論與實(shí)踐. 2013(11)
[3]互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J]. 許海玲,吳瀟,李曉東,閻保平.  軟件學(xué)報(bào). 2009(02)



本文編號(hào)：3157900