在現代互聯網與大數據的沖擊下,數據規(guī)模增長迅速,用戶需求趨向于個性多樣,傳統的技術手段已然無法處理海量數據所帶來的超載問題。推薦算法作為數據挖掘中的一個重要分支,在面對大型數據處理上,有著緩解數據冗余的優(yōu)勢,不僅能從中挖掘出用戶感興趣的數據,同時也給用戶推送有價值的長尾信息�；谟脩粜湃蔚耐扑]算法相比傳統推薦,引入信任輔助數據,緩解數據稀疏,在一定程度上提升了算法性能。但多數研究并沒有深入分析到用戶間的信任關聯性,同時未考慮到信任動態(tài)變化會影響到相似用戶的推薦精度問題。為此,本文提出一種間接信任的動態(tài)計算模型,并設計以用戶間接信任為基礎的兩種推薦算法。本文的主要工作如下:（1）提出了一種間接信任的動態(tài)計算模型。該模型主要引用牛頓冷卻定律,對間接信任融入時間衰減因子,并使用前后信任的變化差異值,來調整相似用戶計算因數據稀疏所帶來的偏差。（2）設計了一種基于用戶動態(tài)信任及威爾遜排序的推薦算法。該算法采取間接信任的動態(tài)計算模型計算信任變化,由信任變化值引入相似度計算;其次利用威爾遜排序算法干預Top-N列表,進行推薦。實驗結果表明,其設計的算法具有較好的效果。（3）設計了一種基于用戶間接信任... 

【文章來源】：長沙理工大學湖南省

【文章頁數】：64 頁

【學位級別】：碩士

【部分圖文】：

圖２．１推薦工作示意圖??由圖２．１可知，在收集數據部分，可以從各個渠道獲取用戶數據

）等。這些個性化推薦方法主要的特點是分析到每個用戶歷史興趣愛好或者每??個物品的屬性，通過數據相關處理，給用戶推薦感興趣的事物，由于用戶間的興趣不同，??所推薦的商品也就不一樣，有區(qū)別于非個性化推薦。??２．２」基于用戶的推薦算法??該類推薦算法在推薦領域內屬于非常經典的算法，它主要的集中點在用戶上，結合??本身數據處理機制，分析目標用戶歷史興趣記錄，然后尋找到相似的用戶與其比較，最??后按照排序的高低給目標推薦相似用戶感興趣的人或者物。其以用戶為中心的協同過濾??推薦算法示意圖如圖２．２所示：??Ｉｔｅｎｔｉ?Ｉｔｅｍ：?ｈｅｍ?ｊ?Ｉｔｅｍ，??＾?＾?４＾??Ｕｓｅｒ）?Ｕｓｅｒ２?Ｕｓｅｒ｝?Ｕｓｅｒ４??相髓度九一??圖２．２基于用戶的推薦示意圖??在圖２．２中，假設目標用戶為ｔ／ｗｎ，其所感興趣的商品為／／ｅｍ／、／／ｅｍ２，用戶仏們??感興趣的商品為／／＾／、／Ｍｍ〗、／／ｅｗｊ、兩者交集的商品／／ｅｗ／、／／ｄ，總數債力２，而ｔＺｖｅｒ／??９??

用戶。??２．２．２基于內容的推薦算法??這類算法恰恰與基于用戶推薦算法相反，其算法主要分析物品的內容屬性，比如物??品的價格、大孝生產地、類型等，通過將新物品與目標用戶感興趣的物品進行相似比??較，并按照相似度大小，相近的物品依次排列起來，即ＴｏｐＮ排序表，由該表向目標用??戶推薦相關物品。基于內容的推薦算法注重點在物品上，沒有基于用戶推薦算法遇到的??新用戶即時更新處理的問題，由于物品保持時間長，算法對動態(tài)性要求低，在進行推薦??時可以較好地減少計算復雜，提高性能。其推薦示意如圖２．３所示：??，?、／??（?＿?Ｊ?＼?ｘ?相似程度??幢計覽?Ｉｔｅｍ，?＞＜Ｃ－?ｔ?ｈｅｍ５?＼?＼??＼?—?一＾似計爵相心計算???／?＼??＿飛１?）??Ｕｓｅｒ??圖２．３基于內容推薦示意圖??如圖２．３可知，目標用戶Ｃ／ｙｅｒ反饋過的物品有／／ｅｗ／、／／ｅｍ、／／ｅｗｊ，基于內容推薦??算法將這些物品與商品庫中的／＆／＆、分別計算相似度，通過比較相似度的高低，??相似程度高的項目被默認為用戶感興趣的物品。因此，推薦算法將／／ｅｗ５推薦給用戶??Ｕｓｅｒ。??２．２．３融合排序的推薦算法??傳統的推薦算法中，存在著一個主要問題：算法本身忽略了用戶興趣偏好的多樣性，??且所采用評分數據作為主要參考標準。這就容易造成推薦內容的偏差，就比如針對電子??書評分來說：用戶ｄ對電子書ａ興趣大，其屬于懸疑書籍，對電子書ｂ科幻題材只是初??步涉獵，用戶分別評出４分和５分，但用戶保留的歷史記錄中僅懸疑類題材居多。采用??１０??


本文編號：3112278