本文關(guān)鍵詞：基于用戶信任影響力的社會化推薦算法研究

  更多相關(guān)文章： 協(xié)同過濾 冷啟動 數(shù)據(jù)稀疏 社交網(wǎng)絡(luò) 信任影響力

【摘要】：隨著移動互聯(lián)網(wǎng)、自媒體、社交網(wǎng)絡(luò)的快速發(fā)展,互聯(lián)網(wǎng)出現(xiàn)了“信息過載”問題。作為搜索引擎之后一個革命性的技術(shù),推薦系統(tǒng)以其能發(fā)現(xiàn)用戶潛在需求、提高人們選擇和篩選物品的效率之特點正成為業(yè)界關(guān)注的熱點。協(xié)同過濾是推薦系統(tǒng)一個重要算法,它僅依賴用戶評分信息,原理簡單而且高效,然而卻存在冷啟動和數(shù)據(jù)稀疏性問題。矩陣分解和引入社交網(wǎng)絡(luò)信息是解決冷啟動和數(shù)據(jù)稀疏性問題的其中一種方式。矩陣分解即將原有評分矩陣信息進行低秩分解,然后利用低階子矩陣對原有評分矩陣進行擬合,從而將評分預(yù)測問題轉(zhuǎn)化成為最優(yōu)化目標函數(shù)求解問題,一方面可以通過梯度下降等方法求解用戶和物品的潛因子特征量,另一方面引入更多與用戶和物品相關(guān)的輔助信息,正則化用戶和物品特征向量,從而產(chǎn)生更加準確的預(yù)測模型。社會化推薦算法引入了社交網(wǎng)絡(luò)中用戶的信任信息,不過這些算法通常只使用了相鄰信任用戶信息,忽略了社交網(wǎng)絡(luò)中用戶之間的連通性以及間接用戶信任影響力,導致預(yù)測準確性不足。針對上述預(yù)測準確性問題,本文主要完成了如下三方面工作：第一、提出了一種基于用戶信任影響力強度的社會化推薦算法。首先根據(jù)社交網(wǎng)絡(luò)的連通性進行迭代計算,求得社交網(wǎng)絡(luò)中用戶的信任影響力值；然后,根據(jù)用戶影響力大小,將近鄰相似用戶與信任影響力因素進行融合；最后,對評分矩陣分解得到的用戶和物品的低階特征信息矩陣進行正則化求解,以此預(yù)測用戶對物品的評分。第二、從概率的角度將提出了的算法與基于物品的矩陣分解方法進行了推導整合。用戶信任網(wǎng)絡(luò)信息的引入較好地解決了用戶冷啟動問題,為了同時解決物品的冷啟動問題,將物品相似性圖信息引入到了用戶評分矩陣中,通過基于概率的矩陣分解推導得到最終模型并進行了梯度求解,最后基于LibRec進行了算法實現(xiàn)。實驗對比發(fā)現(xiàn),相比已有的社會化推薦算法,本文算法提高了準確度,并能改善推薦系統(tǒng)對冷啟動用戶和物品的預(yù)測評分。第三、完成了本文提出算法的分布式實現(xiàn)。通過模型的設(shè)計,最終將評分預(yù)測問題轉(zhuǎn)化為最優(yōu)化求解問題,對比分析了幾種常見的優(yōu)化求解方法；同時,為了解決算法在大規(guī)模數(shù)據(jù)集上計算性能問題,本文完成了基于更加適合迭代計算的Apache Spark上的分布式算法設(shè)計和實現(xiàn)。
【關(guān)鍵詞】：協(xié)同過濾 冷啟動 數(shù)據(jù)稀疏 社交網(wǎng)絡(luò) 信任影響力
【學位授予單位】：廣東工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.3
【目錄】：

• 摘要4-6
• ABSTRACT6-12
• 第一章 緒論12-18
• 1.1 背景與意義12-13
• 1.2 國內(nèi)外文獻分析13-15
• 1.3 主要研究內(nèi)容及創(chuàng)新點15-16
• 1.4 本文結(jié)構(gòu)及內(nèi)容組織16-18
• 第二章 社會化推薦相關(guān)概念18-26
• 2.1 問題描述18-20
• 2.2 評估標準20-21
• 2.3 協(xié)同過濾推薦算法21-23
• 2.3.1 基于用戶的協(xié)同過濾算法21-22
• 2.3.2 基于物品的協(xié)同過濾算法22-23
• 2.4 評分偏置處理23-24
• 2.5 推薦通算法庫LibRec24-26
• 第三章 矩陣分解與模型推導26-36
• 3.1 矩陣分解算法26-28
• 3.2 矩陣分解與社會化推薦28-29
• 3.3 SocialMF模型推導29-32
• 3.4 ItemMF算法推導32-34
• 3.5 本章小結(jié)34-36
• 第四章 基于用戶信任影響力的推薦算法36-44
• 4.1 問題分析36
• 4.2 模型設(shè)計36-40
• 4.3 算法復雜度分析40-41
• 4.4 模型訓練方法41-44
• 4.4.1 用戶信任影響力求解41
• 4.4.2 分布算法實現(xiàn)41-43
• 4.4.3 最優(yōu)化求解43-44
• 第五章 實驗設(shè)計與結(jié)果分析44-52
• 5.1 數(shù)據(jù)集描述44-45
• 5.2 選擇及評估標準45
• 5.3 對比算法45-46
• 5.4 超參數(shù)對結(jié)果的影響46-47
• 5.5 結(jié)果分析47-48
• 5.6 冷啟用戶和物品的性能分析48-49
• 5.7 分布式算法對比分析49-52
• 結(jié)論52-54
• 參考文獻54-60
• 攻讀學位期間發(fā)表論文60-64
• 致謝64

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 徐義峰;徐云青;劉曉平;;一種基于時間序列性的推薦算法[J];計算機系統(tǒng)應(yīng)用;2006年10期

2 余小鵬;;一種基于多層關(guān)聯(lián)規(guī)則的推薦算法研究[J];計算機應(yīng)用;2007年06期

3 張海玉;劉志都;楊彩;賈松浩;;基于頁面聚類的推薦算法的改進[J];計算機應(yīng)用與軟件;2008年09期

4 張立燕;;一種基于用戶事務(wù)模式的推薦算法[J];福建電腦;2009年03期

5 王晗;夏自謙;;基于蟻群算法和瀏覽路徑的推薦算法研究[J];中國科技信息;2009年07期

6 周珊丹;周興社;王海鵬;倪紅波;張桂英;苗強;;智能博物館環(huán)境下的個性化推薦算法[J];計算機工程與應(yīng)用;2010年19期

7 王文;;個性化推薦算法研究[J];電腦知識與技術(shù);2010年16期

8 張愷;秦亮曦;寧朝波;李文閣;;改進評價估計的混合推薦算法研究[J];微計算機信息;2010年36期

9 夏秀峰;代沁;叢麗暉;;用戶顯意識下的多重態(tài)度個性化推薦算法[J];計算機工程與應(yīng)用;2011年16期

10 楊博;趙鵬飛;;推薦算法綜述[J];山西大學學報(自然科學版);2011年03期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個性化推薦算法[A];第二十四屆中國數(shù)據(jù)庫學術(shù)會議論文集（技術(shù)報告篇）[C];2007年

2 唐燦;;基于模糊用戶心理模式的個性化推薦算法[A];2008年計算機應(yīng)用技術(shù)交流會論文集[C];2008年

3 秦國;杜小勇;;基于用戶層次信息的協(xié)同推薦算法[A];第二十一屆中國數(shù)據(jù)庫學術(shù)會議論文集（技術(shù)報告篇）[C];2004年

4 周玉妮;鄭會頌;;基于瀏覽路徑選擇的蟻群推薦算法:用于移動商務(wù)個性化推薦系統(tǒng)[A];社會經(jīng)濟發(fā)展轉(zhuǎn)型與系統(tǒng)工程——中國系統(tǒng)工程學會第17屆學術(shù)年會論文集[C];2012年

5 蘇日啟;胡皓;汪秉宏;;基于網(wǎng)絡(luò)的含時推薦算法[A];第五屆全國復雜網(wǎng)絡(luò)學術(shù)會議論文（摘要）匯集[C];2009年

6 梁莘q，

本文編號：969271