傳統(tǒng)的推薦系統(tǒng)通常主要專注于充分利用用戶-項目的評分信息,而隨著推薦系統(tǒng)應用場景的不斷擴展,僅僅依據(jù)用戶-項目間的二元評分關系進行相關推薦,往往無法獲得令人滿意的推薦效果。社會化推薦系統(tǒng)將社交信息作為輔助數(shù)據(jù),試圖通過考慮社交網(wǎng)絡中的社交關系和評分數(shù)據(jù)來提高推薦系統(tǒng)評分預測和項目排序推薦任務的準確性。目前,學者們針對社會化推薦算法取得了一系列研究成果,但依然存在如下不足:（1）雖然已將社交關系融入了相似度的計算之中,但是社交關系和評分數(shù)據(jù)中的隱含信息并未得到充分挖掘;（2）社會化推薦算法采用了矩陣分解中點積方式,這種方式的固有不足會造成推薦結(jié)果的誤差;（3）評分預測和項目排序是推薦系統(tǒng)的兩大任務,雖然可通過融入社交關系來提高推薦準確率,但項目排序的依據(jù)依然是評分信息。針對以上存在的問題,本文重點開展了如下工作:（1）提出了一種融合信任關系和用戶隱含相似度的推薦算法。該算法同時考慮用戶分別作為信任者和被信任者時與其好友間的相似度,間接實現(xiàn)了信任傳遞,從而更全面利用了評分信息和信任關系的隱含信息。同時,算法利用用戶特征向量來計算用戶的評分相似度,而不需考慮共同評分集合;利用信任關系的特征向... 

【文章來源】：西南大學重慶市 211工程院校 教育部直屬院校

【文章頁數(shù)】：84 頁

【學位級別】：碩士

【部分圖文】：

曼哈頓距離示例

【參考文獻】：
期刊論文
[1]談談“推薦系統(tǒng)”和“搜索引擎”[J]. 陳運文.  計算機與網(wǎng)絡. 2017(24)
[2]融合社交信息的矩陣分解推薦方法研究綜述[J]. 劉華鋒,景麗萍,于劍.  軟件學報. 2018(02)
[3]一種基于信任關系隱含相似度的社會化推薦算法[J]. 潘一騰,何發(fā)智,于海平.  計算機學報. 2018(01)
[4]基于用戶相似度的協(xié)同過濾推薦算法[J]. 榮輝桂,火生旭,胡春華,莫進俠.  通信學報. 2014(02)

博士論文
[1]社交媒體中的個性化推薦關鍵技術研究[D]. 李舒辰.北京郵電大學 2018
[2]基于馬氏距離的度量學習算法研究及應用[D]. 梅江元.哈爾濱工業(yè)大學 2016
[3]推薦系統(tǒng)關鍵技術研究[D]. 任磊.華東師范大學 2012



本文編號：3249450