近年來,隨著智能移動設備的流行和定位技術的普及,在生活中人們越來越容易獲取到關于位置的實時信息,這種現象催生了基于位置社交網絡軟件應用的普及,例如Foursquare、大眾點評等。傳統(tǒng)的推薦算法無法適用于位置社交網絡情景下的用戶推薦需求。與傳統(tǒng)推薦算法的情景不同,位置社交網絡中存在著大量的上下文信息,例如地理位置信息、社交網絡信息、用戶行為的時間信息等等。在位置社交網絡中,用戶的行為是自身興趣偏好與多種上下文信息共同作用的結果,如何對這些上下文信息進行合理地建模成為了必須考慮的問題。本文主要的研究內容主要包括以下幾個部分:(1)本文提出一種基于局部社交關系正則化的矩陣分解推薦算法,本文算法從全局社交和局部社交兩種角度建模用戶的社交網絡,充分挖掘了社交網絡對于用戶偏好的影響。在真實數據集上的實驗表明本文算法的準確性優(yōu)于其他基于社交的推薦算法。(2)本文提出一種基于核密度估計的矩陣分解推薦算法,本文算法從用戶自身偏好、地理位置信息和社交網絡信息三個方面考慮對于用戶行為的影響。本文提出的算法不僅能夠有效建模上下文信息對于用戶行為的影響并且具備良好的可拓展性。在真實數據集上的實驗表明本文算法比...

【文章頁數】：81 頁

【學位級別】：碩士

【部分圖文】：

圖2-1不同評分數量下的用戶分布

?北京郵電大學工學碩士學位論文???的ＲＭＳＥ值大于用戶評分數量［３１，５０］區(qū)間上的ＲＭＳＥ值。這是因為過多的用戶??評分數據分散了用戶興趣偏好的特征，使得推薦算法通過訓練集得到的用戶特征??向量無法準確反映用戶的偏好。??０．８??

圖２－３不同社會關系下的用戶分布??１９??

分組情況下的性能優(yōu)劣。首先根據用戶局部社交數量的不同，將用戶分成５個區(qū)??間，每個區(qū)間內用戶的社交數量依次為［１：１０］、［?１１：２〇］、［２１：３０］、［３１：５０］、［５１：１?〇〇］。??圖２－３顯示了?Ｅｐｉｎｉｏｎｓ、Ｃｉａｏ、ＦｉｌｍＴｒｕｓｔ和豆瓣四個數據集中不同....

圖２－４?不同社會關系下用戶對比結果??實驗四：參數對ＬＳＲＧ算法的影響??實驗四的目的是測試目標函數中參數對于實驗結?

分組情況下的性能優(yōu)劣。首先根據用戶局部社交數量的不同，將用戶分成５個區(qū)??間，每個區(qū)間內用戶的社交數量依次為［１：１０］、［?１１：２〇］、［２１：３０］、［３１：５０］、［５１：１?〇〇］。??圖２－３顯示了?Ｅｐｉｎｉｏｎｓ、Ｃｉａｏ、ＦｉｌｍＴｒｕｓｔ和豆瓣四個數據集中不同....

圖2，5參毅對于算法的影響

２．５本章小結??針對于傳統(tǒng)推薦算法沒有利用用戶社交網絡信息的缺點，本章提出基于局部??社交關系正則化的矩陣分解推薦算法，本章提出的算法從全局和局部兩種角度對??用戶的社交Ｎ絡進行建模。本章提出的算法首先對社交網絡中的全體用戶排序獲??得每個用戶的全局社交權重，然后以正則項的形式....

本文編號：3933327