由于互聯(lián)網(wǎng)上的信息呈現(xiàn)爆炸式增長,這就使得用戶在面對如此龐大的數(shù)據(jù)時無法實時和準(zhǔn)確地獲取自己所需要的信息。在這樣的背景下,推薦系統(tǒng)便出現(xiàn)了。推薦系統(tǒng)的核心任務(wù)是分析用戶行為,挖掘用戶偏好,為用戶推送信息。協(xié)同過濾推薦技術(shù)由于只需要用戶-項目評分信息就可以對用戶進(jìn)行推薦且實現(xiàn)技術(shù)難度不大,因此被廣泛研究。但是,協(xié)同過濾算法面臨著數(shù)據(jù)稀疏、冷啟動、擴(kuò)展性差等問題。近些年來,一些研究開始嘗試將用戶間的社交關(guān)系和社區(qū)結(jié)構(gòu)信息融入到協(xié)同過濾推薦中,研究結(jié)果表明,社交關(guān)系和社區(qū)結(jié)構(gòu)信息可以緩解數(shù)據(jù)稀疏性以及增強(qiáng)可擴(kuò)展性。因此,基于社交關(guān)系和社區(qū)結(jié)構(gòu)的推薦具有重要的研究意義。在此基礎(chǔ)上,針對當(dāng)前算法中仍然存在的問題,本文對結(jié)合社交關(guān)系和社區(qū)結(jié)構(gòu)的推薦算法進(jìn)行深入研究,具體研究內(nèi)容如下:（1）當(dāng)前基于社交關(guān)系的推薦算法中往往只考慮了用戶間的信任關(guān)系而忽略了用戶間的不信任關(guān)系以及興趣相似性的影響。針對此問題,本文研究了一種融合社交關(guān)系和興趣的正則化矩陣分解推薦模型。首先利用網(wǎng)絡(luò)的全局和局部拓?fù)涮匦酝诰虺錾缃魂P(guān)系中的信任和不信任關(guān)系,然后結(jié)合項目相似度提出了一種改進(jìn)的用戶間的興趣偏好相似性計算方法,最后在... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

參數(shù)對RMSE的影響

但是均未考慮不信任關(guān)系的影響；MF任和不信任關(guān)系，推薦精度進(jìn)一步提高，但是卻沒有，導(dǎo)致用戶之間的偏好不準(zhǔn)確；本章提出的 SI-MF ，融入信任關(guān)系、不信任關(guān)系以及興趣相似性，對整約束，相比其他算法在 RMSE 和 MAE 兩個指標(biāo)上分。算法在不同類型用戶上的推薦效果對比證本章所提的算法對于不同類型用戶的推薦能力，用戶進(jìn)行分組實驗，將所有用戶共分為 6 組，分別是71-100，>100；圖 3.4 顯示了這 10000 個用戶中不同中可以看出，在本次采集的用戶數(shù)據(jù)中，評分?jǐn)?shù)小于他數(shù)量所占的比例，說明該數(shù)據(jù)集十分稀疏。

重慶郵電大學(xué)碩士學(xué)位論文在不同用戶分組下的誤差最低，分析其原因是：由于評分?jǐn)?shù)據(jù)的稀疏性，只能更多依賴引入的社交數(shù)據(jù)，本章所提出的算法利用全局和局部的方式對社交關(guān)系進(jìn)行了一定的擴(kuò)展，并結(jié)合興趣相似性對矩陣分解進(jìn)行正則約束，所以誤差較小。該實驗結(jié)果可以說明本章所提算法可以有效緩解協(xié)同過濾推薦中的評分?jǐn)?shù)據(jù)稀疏問題。

【參考文獻(xiàn)】：
期刊論文
[1]融合社交信息的矩陣分解推薦方法研究綜述[J]. 劉華鋒,景麗萍,于劍.  軟件學(xué)報. 2018(02)
[2]聯(lián)合正則化的矩陣分解推薦算法[J]. 吳賓,婁錚錚,葉陽東.  軟件學(xué)報. 2018(09)
[3]社交網(wǎng)絡(luò)環(huán)境下基于信任的推薦算法[J]. 陳婷,朱青,周夢溪,王珊.  軟件學(xué)報. 2017(03)
[4]一種基于信任關(guān)系隱含相似度的社會化推薦算法[J]. 潘一騰,何發(fā)智,于海平.  計算機(jī)學(xué)報. 2018(01)
[5]個性化推薦系統(tǒng)綜述[J]. 王國霞,劉賀平.  計算機(jī)工程與應(yīng)用. 2012(07)
[6]個性化服務(wù)技術(shù)綜述[J]. 曾春,邢春曉,周立柱.  軟件學(xué)報. 2002(10)

碩士論文
[1]基于用戶社區(qū)的個性化推薦算法研究及應(yīng)用[D]. 劉沁源.電子科技大學(xué) 2018
[2]基于不信任模型的信任增強(qiáng)推薦方法[D]. 葛雙楊.哈爾濱工程大學(xué) 2016



本文編號：3323716