本文關(guān)鍵詞：融合不信任信息的社會化推薦模型研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著互聯(lián)網(wǎng)技術(shù)的蓬勃發(fā)展,推薦系統(tǒng)的應(yīng)用越來越廣泛。推薦算法作為推薦系統(tǒng)的核心部件,決定著用戶所能獲得推薦商品的種類,其性能的優(yōu)劣直接影響著用戶的消費體驗和商家的經(jīng)濟效益。雖然傳統(tǒng)的協(xié)同過濾算法在推薦系統(tǒng)中廣泛地被使用,但實際推薦應(yīng)用中主要面臨著冷啟動和稀疏性問題。隨著社會網(wǎng)絡(luò)的發(fā)展,已有工作多嘗試?yán)糜脩舻纳鐣P(guān)系來挖掘用戶潛在的興趣偏好,從而避免以上問題更好地為用戶提供推薦服務(wù)。然而,絕大多數(shù)已有工作在挖掘用戶興趣偏好時只考慮了社會網(wǎng)絡(luò)中用戶之間存在的積極因素,即:信任關(guān)系,忽略了用戶之間的消極因素,即:非信任關(guān)系。針對上述問題,本文提出了一種融合信任與非信任關(guān)系的新型社會化推薦模型。該模型以傳統(tǒng)的協(xié)同過濾為基礎(chǔ)綜合考慮用戶間的信任關(guān)系和非信任關(guān)系來計算用戶項目評分矩陣。具體而言,算法通過矩陣分解方法,使用用戶對項目的評分和用戶間的信任關(guān)系初步計算出用戶的興趣偏好。然后,通過正則項方法,使用用戶間的非信任關(guān)系進行約束,提升推薦的精度。在社會化推薦系統(tǒng)中,為用戶推薦朋友和推薦項目顯得同等重要。現(xiàn)有的工作經(jīng)常分開來考慮這兩項任務(wù),而對于推薦朋友這一任務(wù)來說可以看成是符號預(yù)測問題的一個體現(xiàn),而現(xiàn)有的一些符號預(yù)測方法都僅僅考慮了用戶間社會關(guān)系這一個單一的結(jié)構(gòu)信息。本文提出了一個新的模型協(xié)同地解決推薦朋友和推薦項目這兩個任務(wù),通過耦合低秩近似的方法同時融合用戶項目評分信息,用戶間信任關(guān)系和不信任關(guān)系這三種稀疏數(shù)據(jù)源。這兩項任務(wù)分開來做都會由于數(shù)據(jù)的稀疏性而使得預(yù)測精度下降,而通過本文的耦合低秩近似模型可以提升各自的預(yù)測精度。通過在三個真實數(shù)據(jù)集上進行實驗驗證,結(jié)果表明本文所提出的兩個模型效果更加優(yōu)異,在實驗上證明了本文的理論模型。
【關(guān)鍵詞】：協(xié)同過濾 社會化推薦 耦合低秩近似 符號預(yù)測 社交網(wǎng)絡(luò)分析
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.3
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-12
• 1.1 研究背景及意義9-10
• 1.2 本文研究動機及主要工作10-11
• 1.3 本文組織結(jié)構(gòu)11-12
• 第2章 問題描述與相關(guān)工作12-22
• 2.1 問題描述12-15
• 2.2 MEMORY-BASED協(xié)同過濾算法15-17
• 2.3 MODEL-BASED協(xié)同過濾算法17-18
• 2.4 若干社會化推薦算法18-20
• 2.5 若干符號預(yù)測算法20-22
• 第3章 矩陣分解模型TDREC22-27
• 3.1 算法思想22
• 3.2 TDREC模型22-24
• 3.3 TDREC模型的優(yōu)化方法24-26
• 3.4 TDREC模型時間復(fù)雜度分析26-27
• 第4章 耦合低秩模型CLR27-39
• 4.1 問題描述27
• 4.2 評分信息的低秩近似27-28
• 4.3 用戶社會間關(guān)系信息的低秩近似28-30
• 4.4 耦合低秩近似模型CLR30-32
• 4.5 近似方法的恢復(fù)條件32-34
• 4.6 CLR模型的優(yōu)化算法34-38
• 4.7 CLR模型時間復(fù)雜度分析38-39
• 第5章 實驗驗證與分析39-44
• 5.1 數(shù)據(jù)集描述39-40
• 5.2 實驗設(shè)置40-42
• 5.2.1 評價指標(biāo)40-41
• 5.2.2 交叉驗證41
• 5.2.3 對比算法41
• 5.2.4 參數(shù)設(shè)置41-42
• 5.3 實驗結(jié)果42-44
• 第6章 總結(jié)與展望44-46
• 6.1 本文工作總結(jié)44
• 6.2 工作展望44-46
• 參考文獻(xiàn)46-49
• 作者簡介49-50
• 致謝50

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前2條

1 黃立威;李德毅;;社交媒體中的信息推薦[J];智能系統(tǒng)學(xué)報;2012年01期

2 楊博;趙鵬飛;;推薦算法綜述[J];山西大學(xué)學(xué)報(自然科學(xué)版);2011年03期

  本文關(guān)鍵詞：融合不信任信息的社會化推薦模型研究，由筆耕文化傳播整理發(fā)布。

本文編號：433887