在基于興趣的好友推薦中,通常需要計算不同用戶間的相似度來進行推薦。但是當用戶量特別龐大時,計算所有用戶之間的興趣相似度需要消耗大量的時間。為了節(jié)約時間開銷,本文在ISODATA算法的基礎(chǔ)上提出了MSI聚類算法,該算法能夠?qū)μ卣飨∈璧臉颖具M行聚類,并且時間復(fù)雜度低。同時,在三部圖擴散算法的基礎(chǔ)上提出了基于興趣及認知的算法。另外還引入了反饋機制來對推薦模型進行動態(tài)的調(diào)整。本文主要工作如下:（1）在ISODATA的基礎(chǔ)上提出了MSI算法,該算法可以對多維屬性稀疏的樣本進行聚類,同時采用新的方法實現(xiàn)了聚類的分裂以及合并操作。聚類的時間開銷也較低。MSI算法主要根據(jù)聚類樣本個數(shù)的多少來選擇是否進行合并與分裂,算法會根據(jù)當前狀態(tài)自動地調(diào)整迭代次數(shù),更加易于使用。為了使其更加適合在好友推薦的場景中,增加了軟聚類的步驟,降低在好友推薦過程中丟失聚類邊緣樣本的概率。（2）在三部圖擴散算法的基礎(chǔ)上提出了基于興趣及認知的算法。新的算法提出了認知度作為度量標準,能夠更加細致地考慮用戶的行為。在計算相似性的時候考慮到了不同物品與標簽的權(quán)重問題,同時也提高了對數(shù)據(jù)稀疏的用戶的推薦效果。（3）提出了反饋機制,反饋機... 

【文章來源】：重慶大學(xué)重慶市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：77 頁

【學(xué)位級別】：碩士

【部分圖文】：

Facebook好友推薦頁面

重慶大學(xué)碩士學(xué)位論文6很多社交網(wǎng)站已經(jīng)有效地利用了推薦系統(tǒng)，圖2.2是Facebook網(wǎng)站的推薦頁面，在這個頁面中用戶可以選擇添加推薦的用戶作為好友，也可以移除這次推薦，之后同樣的用戶就不會再被推薦給自己。國內(nèi)的豆瓣音樂也很好地利用了推薦系統(tǒng)，如圖2.3為豆瓣音樂的推薦窗口，根據(jù)用戶對音樂的歷史收藏行為以及對音樂打標簽的行為可以推薦用戶可能感興趣的音樂。在這個頁面，用戶可以選擇“想聽”、“在聽”、“聽過”、“沒興趣”，根據(jù)用戶本次選擇的不同，推薦系統(tǒng)會在下次的推薦中調(diào)整推薦結(jié)果從而提高準確度。由于推薦系統(tǒng)給用戶以及商家都帶來了極大便利，越來越多的公司都將推薦系統(tǒng)實際應(yīng)用在自身的產(chǎn)品當中。圖2.3豆瓣音樂推薦界面Fig.2.3DoubanMusicRecommendationPage2.2好友推薦算法的分類2.2.1基于協(xié)同過濾的推薦算法協(xié)同過濾算法利用興趣相似的群體的喜好來推薦用戶感興趣的信息，簡單點說就是當用戶不知道怎么選擇的時候，就由有相似興趣的用戶群體替他選擇。在給用戶推薦時，首先要找到和用戶有相似愛好的群體，然后根據(jù)一些規(guī)則得到這些群體喜歡的物品，經(jīng)過濾后推薦給用戶。如圖2.4所示，用戶A和用戶B都喜歡物品a，因此兩者有相同的愛好，可以根據(jù)用戶B的喜好將物品b推薦給用戶A�；谟脩舻膮f(xié)同過濾算法主要包括兩個步驟：1.找到和目標用戶興趣相似的其他用戶集合。2.找到這個集合中用戶喜歡的，并且目標用戶尚未聽說過的物品推薦給目標用戶。

重慶大學(xué)碩士學(xué)位論文8此，基于項目的協(xié)同過濾[42]被提出。如圖2.5是亞馬遜的推薦購買其他物品的頁面，當用戶在瀏覽一個商品時，網(wǎng)頁會建議用戶購買其他的商品。圖2.5亞馬遜圖書推薦頁面1Fig.2.5AmazonBookRecommendationPage1圖2.6是亞馬遜的推薦一起購買頁面，會根據(jù)歷史信息來建議用戶打包購買多種商品。圖2.6亞馬遜圖書推薦頁面2Fig.2.6AmazonBookRecommendationPage2該算法會推薦和用戶之前喜歡過的物品相似的物品給用戶。如圖2.7所示，由于物品a和b被相同的用戶喜歡，因此物品a和物品b有較高的物品相似度，當用戶C喜歡物品b時，就推薦物品a給用戶C�；陧椖康膮f(xié)同過濾算法主要包括兩個步驟：1.計算物品間的相似度。2.根據(jù)物品的相似度和用戶的歷史行為來為用戶推薦物品。

【參考文獻】：
期刊論文
[1]Truser:一種基于可信用戶的服務(wù)推薦方法[J]. 何鵬,吳浩,曾誠,馬于濤.  計算機學(xué)報. 2019(04)
[2]基于用戶潛在特征的社交網(wǎng)絡(luò)好友推薦方法[J]. 肖迎元,張紅玉.  計算機科學(xué). 2018(03)
[3]融合“用戶-項目-用戶興趣標簽圖”的協(xié)同好友推薦算法[J]. 陳潔敏,李建國,湯非易,湯庸,陳笑凡,唐婷芳.  計算機科學(xué)與探索. 2018(01)
[4]一種面向獲取空間信息的潛在好友推薦算法[J]. 俞菲,李治軍,車楠,姜守旭.  軟件學(xué)報. 2017(08)
[5]社會化推薦系統(tǒng)研究[J]. 孟祥武,劉樹棟,張玉潔,胡勛.  軟件學(xué)報. 2015(06)
[6]基于用戶標注行為的潛在好友推薦[J]. 吳不曉,肖菁.  計算機應(yīng)用. 2015(06)
[7]社交網(wǎng)絡(luò)中的好友推薦方法研究[J]. 吳昊,劉東蘇.  現(xiàn)代圖書情報技術(shù). 2015(01)
[8]基于位置服務(wù)的潛在好友推薦方法[J]. 符饒.  軟件. 2015(01)
[9]在線社交網(wǎng)絡(luò)影響力分析[J]. 吳信東,李毅,李磊.  計算機學(xué)報. 2014(04)
[10]一種基于信任度的協(xié)同過濾推薦方法[J]. 朱強,孫玉強.  清華大學(xué)學(xué)報(自然科學(xué)版). 2014(03)

碩士論文
[1]基于興趣愛好的好友推薦系統(tǒng)的設(shè)計與實現(xiàn)[D]. 季航旭.東北大學(xué) 2015
[2]基于內(nèi)容的社會標簽推薦技術(shù)研究[D]. 劉志麗.哈爾濱工程大學(xué) 2012



本文編號：3520764