本文關(guān)鍵詞：基于用戶關(guān)系的矩陣分解推薦算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：在互聯(lián)網(wǎng)信息量以不可估量的速度增長(zhǎng)的時(shí)代,用戶在混雜各種各樣信息的信息池中找到所需的內(nèi)容已然成為一個(gè)棘手的問(wèn)題。針對(duì)這一問(wèn)題,推薦系統(tǒng)被提出。推薦系統(tǒng)是一種新的計(jì)算模型,它試圖從海量信息中過(guò)濾出目標(biāo)用戶可能感興趣的信息。原始的推薦算法普遍基于協(xié)同過(guò)濾的思想,這種思路來(lái)源于人們?cè)谶x購(gòu)商品時(shí)的自然法則。通常,用戶對(duì)于未知物品束手無(wú)策時(shí)總是會(huì)請(qǐng)教身邊有經(jīng)驗(yàn)的人,然后根據(jù)這些人的經(jīng)驗(yàn)分享判斷物品是否有用。協(xié)同過(guò)濾算法將這種思想運(yùn)用在推薦系統(tǒng)上。然而,協(xié)同過(guò)濾主要存在三類問(wèn)題：數(shù)據(jù)稀疏性高、冷啟動(dòng)以及系統(tǒng)的可擴(kuò)展性。為緩解上述問(wèn)題,基于社會(huì)網(wǎng)絡(luò)的推薦系統(tǒng)應(yīng)運(yùn)而生。社會(huì)網(wǎng)絡(luò)的形成是通過(guò)人們?cè)诨ヂ?lián)網(wǎng)上的交互行為,這種用戶關(guān)系從各方面體現(xiàn)了人們?cè)谡鎸?shí)社會(huì)中的人際關(guān)系。因此,將社會(huì)網(wǎng)絡(luò)與推薦系統(tǒng)組合形成基于社會(huì)網(wǎng)絡(luò)的推薦系統(tǒng)能夠豐富推薦結(jié)果。矩陣分解模型是推薦系統(tǒng)的經(jīng)典模型,由于其具有良好的可擴(kuò)展性,使得社會(huì)網(wǎng)絡(luò)信息易于與該模型結(jié)合。在這一機(jī)制下,提取相似用戶群體是提高推薦系統(tǒng)準(zhǔn)確性的關(guān)鍵因素。傳統(tǒng)的相似性函數(shù)是評(píng)判兩個(gè)用戶對(duì)于相同物品的反饋行為的相似性,其中,反饋行為的相似性并不能說(shuō)明兩個(gè)用戶具有相似的興趣愛(ài)好,而且,該方法忽略了用戶的社會(huì)關(guān)系的作用。因此,本文通過(guò)深入分析用戶間的關(guān)聯(lián)程度,提出了兩種新的興趣相似性計(jì)算函數(shù),并針對(duì)相似性函數(shù)的特性分別建立新的社會(huì)正則化,最后將其運(yùn)用在基于矩陣分解的推薦模型中。通過(guò)對(duì)上述研究工作的深入分析,發(fā)現(xiàn)這兩個(gè)新的相似性函數(shù)一個(gè)反映了用戶間一對(duì)一的興趣相似性,一個(gè)則反映了目標(biāo)用戶與其所有朋友的平均興趣相似性。此外,這兩個(gè)相似性函數(shù)是基于社會(huì)網(wǎng)絡(luò)密度的。如果社會(huì)網(wǎng)絡(luò)密度相當(dāng)緊密,那么這兩個(gè)函數(shù)的值更接近用戶的興趣相似性。為了豐富社會(huì)網(wǎng)絡(luò)信息,本文進(jìn)一步將這兩個(gè)函數(shù)整合為一個(gè)社會(huì)正則化,并討論了不同的結(jié)合方式。相較于之前的社會(huì)正則化方法,該方法更能明確解釋用戶的興趣相似性,而且能有效減小社交信息的稀疏性。實(shí)驗(yàn)結(jié)果顯示,該方法在預(yù)測(cè)準(zhǔn)確性方面要優(yōu)于之前的推薦算法模型。
【關(guān)鍵詞】：推薦系統(tǒng) 社會(huì)網(wǎng)絡(luò) 矩陣分解 社會(huì)正則化
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.3
【目錄】：

• 致謝5-6
• 摘要6-7
• ABSTRACT7-11
• 1 引言11-17
• 1.1 論文研究背景和意義11-14
• 1.1.1 研究背景11-12
• 1.1.2 研究意義12-14
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀與分析14-15
• 1.2.1 國(guó)內(nèi)外研究現(xiàn)狀14
• 1.2.2 推薦系統(tǒng)的特點(diǎn)與難點(diǎn)分析14-15
• 1.3 論文框架與研究?jī)?nèi)容15-17
• 2 推薦系統(tǒng)相關(guān)理論基礎(chǔ)17-33
• 2.1 推薦系統(tǒng)算法17-21
• 2.1.1 基于內(nèi)容的推薦算法17-18
• 2.1.2 協(xié)同過(guò)濾推薦算法18-20
• 2.1.3 基于關(guān)聯(lián)規(guī)則的推薦算法20
• 2.1.4 其他推薦算法20-21
• 2.2 推薦系統(tǒng)的評(píng)測(cè)指標(biāo)21-24
• 2.3 矩陣分解模型24-28
• 2.3.1 概率矩陣分解模型25-27
• 2.3.2 非負(fù)矩陣分解27-28
• 2.4 數(shù)據(jù)集28-31
• 2.4.1 數(shù)據(jù)集特征28-29
• 2.4.2 常用數(shù)據(jù)集29-31
• 2.5 本章小結(jié)31-33
• 3 社會(huì)網(wǎng)絡(luò)及相關(guān)推薦算法綜述33-46
• 3.1 社會(huì)網(wǎng)絡(luò)簡(jiǎn)述33-35
• 3.1.1 社會(huì)網(wǎng)絡(luò)定義33-34
• 3.1.2 社會(huì)網(wǎng)絡(luò)特征34-35
• 3.2 社會(huì)網(wǎng)絡(luò)表示35-39
• 3.2.1 用戶關(guān)系35-36
• 3.2.2 相似性函數(shù)36-38
• 3.2.3 社會(huì)正則化38-39
• 3.3 基于矩陣分解的社會(huì)化推薦算法綜述39-45
• 3.3.1 基于信任關(guān)系的社會(huì)化推薦算法39-42
• 3.3.2 基于朋友關(guān)系的社會(huì)化推薦算法42-45
• 3.4 本章小結(jié)45-46
• 4 基于用戶興趣相似性的社會(huì)正則化研究46-55
• 4.1 引言46
• 4.2 問(wèn)題描述46-47
• 4.3 基于用戶興趣相似性的推薦算法47-50
• 4.3.1 用戶興趣相似性函數(shù)47-48
• 4.3.2 基于用戶平均興趣相似性的推薦模型FRR48-49
• 4.3.3 基于用戶間興趣相似性的推薦模型SFR49-50
• 4.4 實(shí)驗(yàn)及結(jié)果分析50-54
• 4.4.1 數(shù)據(jù)集50-51
• 4.4.2 實(shí)驗(yàn)結(jié)果51-54
• 4.5 本章小結(jié)54-55
• 5 基于用戶興趣相似的社會(huì)正則化改進(jìn)算法55-60
• 5.1 問(wèn)題描述55
• 5.2 基于用戶興趣相似性的社會(huì)正則化改進(jìn)55-57
• 5.2.1 FSR組合模型55-56
• 5.2.2 改進(jìn)FSR組合模型56-57
• 5.3 實(shí)驗(yàn)結(jié)果與分析57-59
• 5.3.1 數(shù)據(jù)解釋57-58
• 5.3.2 實(shí)驗(yàn)結(jié)果58-59
• 5.4 本章小結(jié)59-60
• 6 結(jié)論與展望60-62
• 6.1 研究工作總結(jié)60-61
• 6.2 今后工作展望61-62
• 參考文獻(xiàn)62-65
• 作者簡(jiǎn)歷及攻讀碩士學(xué)位期間取得的研究成果65-67
• 學(xué)位論文數(shù)據(jù)集67

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 史加榮;鄭秀云;周水生;;矩陣補(bǔ)全算法研究進(jìn)展[J];計(jì)算機(jī)科學(xué);2014年04期

2 李聰;駱志剛;;用于魯棒協(xié)同推薦的元信息增強(qiáng)變分貝葉斯矩陣分解模型[J];自動(dòng)化學(xué)報(bào);2011年09期

3 袁運(yùn)祥;基于矩陣分解的子結(jié)構(gòu)法求解介紹[J];計(jì)算機(jī)應(yīng)用通訊;1981年00期

4 張海建;;分布式矩陣分解算法在推薦系統(tǒng)中的研究與應(yīng)用[J];科技通報(bào);2013年12期

5 何朕,趙文斌,于達(dá)仁;攝動(dòng)矩陣的分解[J];電機(jī)與控制學(xué)報(bào);2004年03期

6 李華云;;F范數(shù)及矩陣分解實(shí)例研究[J];現(xiàn)代情報(bào);2008年10期

7 鄒理和;;系數(shù)矩陣分解二維譜估值[J];信號(hào)處理;1985年03期

8 陳伯倫;陳];鄒盛榮;徐秀蓮;;基于矩陣分解的二分網(wǎng)絡(luò)社區(qū)挖掘算法[J];計(jì)算機(jī)科學(xué);2014年02期

9 王鋒;趙志文;牟盛;;整數(shù)提升小波多相矩陣分解系數(shù)的快速提取算法[J];中國(guó)圖象圖形學(xué)報(bào);2012年03期

10 段華杰;;考慮時(shí)間效應(yīng)的矩陣分解技術(shù)在推薦系統(tǒng)中的應(yīng)用[J];微型電腦應(yīng)用;2013年03期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前2條

1 王春江;錢(qián)若軍;王人鵬;楊聯(lián)萍;;矩陣分解在張力集成體系模態(tài)分析中的應(yīng)用[A];第九屆全國(guó)結(jié)構(gòu)工程學(xué)術(shù)會(huì)議論文集第Ⅰ卷[C];2000年

2 王春江;王人鵬;錢(qián)若軍;王穎;;矩陣分解技術(shù)在體系性態(tài)綜合分析中的初步應(yīng)用[A];“力學(xué)2000”學(xué)術(shù)大會(huì)論文集[C];2000年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前5條

1 李英明;矩陣分解在數(shù)據(jù)挖掘中的應(yīng)用[D];浙江大學(xué);2014年

2 趙科科;低秩矩陣分解的正則化方法與應(yīng)用[D];浙江大學(xué);2012年

3 郭亦鴻;利用穆勒矩陣分解定量測(cè)量各向異性介質(zhì)微觀結(jié)構(gòu)[D];清華大學(xué);2014年

4 胡惠軼;基于分解的系統(tǒng)辨識(shí)方法研究[D];江南大學(xué);2014年

5 陳根浪;基于社交媒體的推薦技術(shù)若干問(wèn)題研究[D];浙江大學(xué);2012年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 秦曉暉;個(gè)性化微博推薦方法研究[D];華南理工大學(xué);2015年

2 劉鳳林;基于矩陣分解的協(xié)同過(guò)濾推薦算法研究[D];南京理工大學(xué);2015年

3 李源鑫;基于提升的信任融合矩陣分解推薦算法[D];福建師范大學(xué);2015年

4 陳洪濤;基于矩陣分解的常規(guī)與長(zhǎng)尾捆綁推薦的博弈研究[D];福建師范大學(xué);2015年

5 張濟(jì)龍;基于概率矩陣分解的推薦算法研究[D];燕山大學(xué);2015年

6 鄧志豪;基于物品相似度和主題回歸的矩陣分解推薦算法[D];浙江大學(xué);2015年

7 余露;利用矩陣分解算法建模數(shù)據(jù)稀疏環(huán)境下用戶協(xié)同行為[D];杭州師范大學(xué);2015年

8 倪澤明;混合用戶行為建模的概率矩陣分解推薦算法[D];浙江大學(xué);2015年

9 丁浩;基于協(xié)同矩陣分解的藥物靶標(biāo)相互作用關(guān)系預(yù)測(cè)[D];復(fù)旦大學(xué);2014年

10 吳世偉;社會(huì)網(wǎng)絡(luò)中的鏈接分析[D];復(fù)旦大學(xué);2014年

  本文關(guān)鍵詞：基于用戶關(guān)系的矩陣分解推薦算法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：322358