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(zhǎng),對(duì)用戶(hù)有價(jià)值的信息往往被繁雜冗余的海量信息所淹沒(méi),用戶(hù)難以從中進(jìn)行有效定位,這便產(chǎn)生了“信息過(guò)載”問(wèn)題。推薦系統(tǒng)是用于解決信息過(guò)載問(wèn)題而被設(shè)計(jì)的有效工具,旨在主動(dòng)為用戶(hù)推薦可能感興趣的事物,協(xié)同過(guò)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(dòng)等問(wèn)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(mǎn)足用戶(hù)的實(shí)際需求了。近年來(lái),廣泛流行的社交網(wǎng)絡(luò)蘊(yùn)含豐富的價(jià)值信息可用于推薦過(guò)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(guò)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(jì)相應(yīng)的算法為用戶(hù)生成高質(zhì)量的推薦項(xiàng)。本文的主要工作和創(chuàng)新如下:1.針對(duì)現(xiàn)有的協(xié)同過(guò)濾推薦算法在融合社交信息時(shí)并沒(méi)有將用戶(hù)的信任程度進(jìn)行區(qū)分,而根據(jù)社會(huì)學(xué)中的相關(guān)理論表明,用戶(hù)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(jiàn)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(hù)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(guò)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(lái)源】：重慶郵電大學(xué)重慶市

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

參數(shù)S對(duì)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(duì)推薦準(zhǔn)確度的影響圖3.5參數(shù)C對(duì)推薦準(zhǔn)確度的影響分析實(shí)驗(yàn)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(gè)數(shù)據(jù)集中都表現(xiàn)出先降后增的趨勢(shì)，其中在Epinions.com數(shù)據(jù)集中，當(dāng)=4S時(shí)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(shí)取得最優(yōu)的推薦精度。分析原因可得，當(dāng)用戶(hù)的信任數(shù)目小于某個(gè)閾值時(shí)，建立的信任模型不足以反映用戶(hù)的興趣偏好，但信任的數(shù)目一旦超過(guò)閾值時(shí)，相應(yīng)的噪音數(shù)據(jù)也會(huì)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(shí)，MAE的值會(huì)

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(shì)，在Epinions.com和Douban數(shù)據(jù)集中，當(dāng)C的取值分別為10和15時(shí)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(hù)評(píng)分的少量潛在因子，是推薦性能的重要影響參數(shù)。在實(shí)驗(yàn)過(guò)程中，對(duì)參數(shù)S和參數(shù)C進(jìn)行固定，以5為步長(zhǎng)將f的值進(jìn)行變化，取值范圍為550耄。本節(jié)對(duì)訓(xùn)練和測(cè)試進(jìn)行了5次交叉驗(yàn)證。每個(gè)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(cè)試。進(jìn)行5次實(shí)驗(yàn)，以保證每份數(shù)據(jù)都能被用于測(cè)試。取平均值作為最終的實(shí)驗(yàn)結(jié)果。對(duì)MAE的影響具體如圖3.6所示圖3.6參數(shù)f對(duì)推薦準(zhǔn)確度的影響分析實(shí)驗(yàn)數(shù)據(jù)，在Epinions.com和Douban兩個(gè)數(shù)據(jù)集中，MAE的變化趨勢(shì)將隨著f的增加呈現(xiàn)出現(xiàn)降后增的趨勢(shì)，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(méi)有超出某個(gè)閾值時(shí)，增加其值可有助于對(duì)用戶(hù)的興趣特征進(jìn)行準(zhǔn)確地建模，而一旦超過(guò)某個(gè)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(shí)驗(yàn)對(duì)比分析為了驗(yàn)證所提方法的有效性，本研究使用以下算法來(lái)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(xiàn)】：
期刊論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)的帶有評(píng)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(jī)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(jì)算機(jī)時(shí)代. 2019(12)
[4]融合時(shí)序的決策樹(shù)推薦算法研究[J]. 徐志熹,錢(qián)洋,蘇揚(yáng).  現(xiàn)代計(jì)算機(jī). 2019(34)
[5]基于Hadoop和MapReduce的商品推薦[J]. 陶冶.  計(jì)算機(jī)時(shí)代. 2019(07)
[6]耦合社會(huì)信任信息的矩陣分解協(xié)同過(guò)濾模型[J]. 蔣偉,秦志光.  電子科技大學(xué)學(xué)報(bào). 2019(03)
[7]基于項(xiàng)目屬性權(quán)重的協(xié)同過(guò)濾推薦算法[J]. 李轉(zhuǎn)運(yùn),孫翠敏.  新鄉(xiāng)學(xué)院學(xué)報(bào). 2019(03)
[8]協(xié)同過(guò)濾算法中冷啟動(dòng)問(wèn)題研究[J]. 邵煜,謝穎華.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(02)
[9]基于信任機(jī)制下概率矩陣分解的用戶(hù)評(píng)分預(yù)測(cè)[J]. 杜東舫,徐童,魯亞男,管楚,劉淇,陳恩紅.  軟件學(xué)報(bào). 2018(12)
[10]基于標(biāo)簽權(quán)重的協(xié)同過(guò)濾推薦算法[J]. 雷曼,龔琴,王紀(jì)超,王保群.  計(jì)算機(jī)應(yīng)用. 2019(03)



本文編號(hào)：3119681