隨著互聯(lián)網(wǎng)的廣泛應(yīng)用和智能化終端的大量涌現(xiàn),充斥在網(wǎng)絡(luò)之中的信息資源呈爆炸式增長,對用戶有價值的信息往往被繁雜冗余的海量信息所淹沒,用戶難以從中進行有效定位,這便產(chǎn)生了“信息過載”問題。推薦系統(tǒng)是用于解決信息過載問題而被設(shè)計的有效工具,旨在主動為用戶推薦可能感興趣的事物,協(xié)同過濾推薦是其中應(yīng)用和研究最為廣泛的。然而,由于數(shù)據(jù)稀疏性和冷啟動等問題的存在,系統(tǒng)所生成的推薦質(zhì)量已經(jīng)愈發(fā)難以滿足用戶的實際需求了。近年來,廣泛流行的社交網(wǎng)絡(luò)蘊含豐富的價值信息可用于推薦過程中,為推薦系統(tǒng)形成高質(zhì)量的推薦奠定了物質(zhì)基礎(chǔ)。因此本文以協(xié)同過濾為模型,去有效融合社交網(wǎng)絡(luò)中信息數(shù)據(jù),從而設(shè)計相應(yīng)的算法為用戶生成高質(zhì)量的推薦項。本文的主要工作和創(chuàng)新如下:1.針對現(xiàn)有的協(xié)同過濾推薦算法在融合社交信息時并沒有將用戶的信任程度進行區(qū)分,而根據(jù)社會學(xué)中的相關(guān)理論表明,用戶在社交網(wǎng)絡(luò)中的影響力越大在一定程度上反映了相關(guān)意見被采納的可能性更高,因此本文為了建立更為準(zhǔn)確的用戶社交特征屬性,將信任的建立、傳播和影響因素納入研究范圍內(nèi),并將其引入到概率矩陣分解模型的推薦過程中,用于解決推薦系統(tǒng)在稀疏的數(shù)據(jù)集上推薦不佳的情況。通... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【部分圖文】：

參數(shù)S對推薦準(zhǔn)確度的影響

重慶郵電大學(xué)碩士學(xué)位論文第3章融合社交影響力的概率矩陣分解推薦方法29圖3.4參數(shù)S對推薦準(zhǔn)確度的影響圖3.5參數(shù)C對推薦準(zhǔn)確度的影響分析實驗數(shù)據(jù)，從圖3.4可以看出，隨著S的數(shù)值增加,MAE值在兩個數(shù)據(jù)集中都表現(xiàn)出先降后增的趨勢，其中在Epinions.com數(shù)據(jù)集中，當(dāng)=4S時表示該方法取得最優(yōu)的推薦精度，而在Douban數(shù)據(jù)集中，當(dāng)=5S時取得最優(yōu)的推薦精度。分析原因可得，當(dāng)用戶的信任數(shù)目小于某個閾值時，建立的信任模型不足以反映用戶的興趣偏好，但信任的數(shù)目一旦超過閾值時，相應(yīng)的噪音數(shù)據(jù)也會增加從而導(dǎo)致推薦準(zhǔn)確率出現(xiàn)下滑的情況。從圖3.5可以看出，當(dāng)固定參數(shù)S時，MAE的值會

重慶郵電大學(xué)碩士學(xué)位論文第3章融合社交影響力的概率矩陣分解推薦方法30隨著參數(shù)C的增加也呈現(xiàn)先降后增的趨勢，在Epinions.com和Douban數(shù)據(jù)集中，當(dāng)C的取值分別為10和15時有最優(yōu)的推薦效果。顯然參數(shù)的不同取得的推薦效果也不同。2.隱因子f的影響參數(shù)f表示影響用戶評分的少量潛在因子，是推薦性能的重要影響參數(shù)。在實驗過程中，對參數(shù)S和參數(shù)C進行固定，以5為步長將f的值進行變化，取值范圍為550耄。本節(jié)對訓(xùn)練和測試進行了5次交叉驗證。每個數(shù)據(jù)集被分成5份，每次4份用于訓(xùn)練，其余的用于測試。進行5次實驗，以保證每份數(shù)據(jù)都能被用于測試。取平均值作為最終的實驗結(jié)果。對MAE的影響具體如圖3.6所示圖3.6參數(shù)f對推薦準(zhǔn)確度的影響分析實驗數(shù)據(jù)，在Epinions.com和Douban兩個數(shù)據(jù)集中，MAE的變化趨勢將隨著f的增加呈現(xiàn)出現(xiàn)降后增的趨勢，其中分別在維度為10和15上取得最佳推薦結(jié)果。分析原因可得，隱因子的維度沒有超出某個閾值時，增加其值可有助于對用戶的興趣特征進行準(zhǔn)確地建模，而一旦超過某個閾值后，增加其值將產(chǎn)生影響推薦性能的噪音數(shù)據(jù)，從而導(dǎo)致MAE的值出現(xiàn)不降而增加的情況。3.4.3實驗對比分析為了驗證所提方法的有效性，本研究使用以下算法來與本章所提算法作比較：1．PMF[17]：該算法是由Salakhutdinov等人將概率應(yīng)用于矩陣分解模型，從而

【參考文獻】：
期刊論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)的帶有評論文本的推薦模型[J]. 孫俊,朱信忠.  信息與電腦(理論版). 2020(01)
[2]機器學(xué)習(xí)綜述[J]. 孔欣然.  電子制作. 2019(24)
[3]六度空間理論的圖論法證明及應(yīng)用[J]. 袁宇麗.  計算機時代. 2019(12)
[4]融合時序的決策樹推薦算法研究[J]. 徐志熹,錢洋,蘇揚.  現(xiàn)代計算機. 2019(34)
[5]基于Hadoop和MapReduce的商品推薦[J]. 陶冶.  計算機時代. 2019(07)
[6]耦合社會信任信息的矩陣分解協(xié)同過濾模型[J]. 蔣偉,秦志光.  電子科技大學(xué)學(xué)報. 2019(03)
[7]基于項目屬性權(quán)重的協(xié)同過濾推薦算法[J]. 李轉(zhuǎn)運,孫翠敏.  新鄉(xiāng)學(xué)院學(xué)報. 2019(03)
[8]協(xié)同過濾算法中冷啟動問題研究[J]. 邵煜,謝穎華.  計算機系統(tǒng)應(yīng)用. 2019(02)
[9]基于信任機制下概率矩陣分解的用戶評分預(yù)測[J]. 杜東舫,徐童,魯亞男,管楚,劉淇,陳恩紅.  軟件學(xué)報. 2018(12)
[10]基于標(biāo)簽權(quán)重的協(xié)同過濾推薦算法[J]. 雷曼,龔琴,王紀(jì)超,王保群.  計算機應(yīng)用. 2019(03)



本文編號：3119681