隨著互聯(lián)網(wǎng)的飛速發(fā)展,推薦系統(tǒng)得到人們?cè)絹碓蕉嗟年P(guān)注,提供有效的用戶個(gè)性化推薦是目前研究的熱點(diǎn)問題,通過對(duì)用戶歷史行為的分析,預(yù)測用戶偏好。近年來,結(jié)合用戶社交網(wǎng)絡(luò)的推薦算法目前已經(jīng)得到廣泛的應(yīng)用,基于用戶之間的信任進(jìn)行相關(guān)推薦可以有效緩解推薦中冷啟動(dòng)的問題,但僅僅基于用戶之間的信任關(guān)系進(jìn)行推薦會(huì)存在項(xiàng)目的覆蓋問題。同時(shí),由于網(wǎng)絡(luò)傳播、媒體曝光和社區(qū)討論等方式的影響,流行度較高的項(xiàng)目,更有可能被用戶認(rèn)識(shí),但對(duì)于用戶感興趣的冷門項(xiàng)目推薦覆蓋范圍不高。此外,推薦算法的覆蓋率和準(zhǔn)確率存在內(nèi)在的折中,在提高推薦覆蓋率的同時(shí)會(huì)降低推薦的準(zhǔn)確率。本文針對(duì)現(xiàn)有推薦算法覆蓋率不高的問題,提出一種融合項(xiàng)目流行度和用戶信任關(guān)系的矩陣分解推薦算法。首先,本文定義了信任網(wǎng)絡(luò)脫節(jié)的問題,然后提出了一種基于合并用戶-項(xiàng)目評(píng)分矩陣和用戶-用戶信任關(guān)系矩陣的推薦算法TruMF。TruMF利用矩陣分解技術(shù)的傳遞性,它將用戶信任關(guān)系與項(xiàng)目評(píng)分視為同一層級(jí),從而導(dǎo)致在矩陣分解的過程中,項(xiàng)目評(píng)分與信任關(guān)系發(fā)生混合,使得傳遞信任和預(yù)測評(píng)分同時(shí)發(fā)生。這種方式極大的提高了推薦算法的覆蓋率,然而損失了對(duì)比方法8%左右的精度。針對(duì)這一... 

【文章來源】：昆明理工大學(xué)云南省

【文章頁數(shù)】：69 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 相關(guān)進(jìn)展
        1.2.2 目前存在難點(diǎn)
    1.3 研究內(nèi)容
        1.3.1 基于矩陣分解傳遞信任
        1.3.2 項(xiàng)目流行度的加權(quán)策略
    1.4 本文的組織結(jié)構(gòu)
第二章 推薦系統(tǒng)相關(guān)技術(shù)綜述
    2.1 個(gè)性化推薦系統(tǒng)簡介
    2.2 個(gè)性化推薦的相關(guān)技術(shù)
        2.2.1 基于內(nèi)容的推薦算法
        2.2.2 基于協(xié)同過濾的推薦算法
        2.2.3 基于混合的推薦算法
        2.2.4 基于標(biāo)簽的推薦算法
    2.3 協(xié)同過濾的推薦算法
        2.3.1 基于內(nèi)存的協(xié)同過濾推薦
            2.3.1.1 基于用戶的協(xié)同過濾推薦
            2.3.1.2 基于物品的協(xié)同過濾推薦
            2.3.1.3 UserCF和ItemCF的比較
        2.3.2 基于模型的協(xié)同過濾推薦
    2.4 評(píng)測指標(biāo)
    2.5 本章小結(jié)
第三章 基于不相交信任網(wǎng)絡(luò)的推薦算法
    3.1 引言
    3.2 基于不相交信任網(wǎng)絡(luò)的推薦算法
        3.2.1 定義問題
        3.2.2 連接的信任網(wǎng)絡(luò)機(jī)制
        3.2.3 TruMF:在不相交信任網(wǎng)絡(luò)中的推薦算法
    3.3 實(shí)驗(yàn)結(jié)果分析
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.3.2 實(shí)驗(yàn)評(píng)價(jià)標(biāo)準(zhǔn)
        3.3.3 訓(xùn)練參數(shù)設(shè)置
        3.3.4 實(shí)驗(yàn)結(jié)果及分析
    3.4 本章小結(jié)
第四章 基于信任關(guān)系和項(xiàng)目流行度的推薦算法
    4.1 引言
    4.2 項(xiàng)目流行度的加權(quán)策略
        4.2.1 項(xiàng)目流行度對(duì)未評(píng)分項(xiàng)目的影響
        4.2.2 項(xiàng)目流行度對(duì)評(píng)分項(xiàng)目的影響
        4.2.3 PopTruMF算法
        4.2.4 在線更新
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)集
        4.3.2 評(píng)估方法及參數(shù)設(shè)置
        4.3.3 實(shí)驗(yàn)結(jié)果及分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 全文工作總結(jié)
    5.2 對(duì)未來工作的展望
致謝
參考文獻(xiàn)
附錄A 攻讀碩士學(xué)位期間發(fā)表論文與申請(qǐng)軟件著作權(quán)
附錄B 攻讀碩士學(xué)位期間參與的研究工作


【參考文獻(xiàn)】：
期刊論文
[1]融合信任傳播和奇異值分解的社會(huì)化推薦算法[J]. 李衛(wèi)疆,齊靜,余正濤,趙鐵軍.  計(jì)算機(jī)工程. 2017(08)
[2]基于項(xiàng)目流行度的協(xié)同過濾TopN推薦算法[J]. 郝立燕,王靖.  計(jì)算機(jī)工程與設(shè)計(jì). 2013(10)
[3]兩階段聯(lián)合聚類協(xié)同過濾算法[J]. 吳湖,王永吉,王哲,王秀利,杜栓柱.  軟件學(xué)報(bào). 2010(05)



本文編號(hào)：3645810