隨著人工智能技術(shù)的發(fā)展,信息量的劇增,社交網(wǎng)絡(luò)發(fā)展迅速,基于社交網(wǎng)絡(luò)的興趣點推薦成為新的研究方向,同時也面臨許多的問題。興趣點推薦存在用戶簽到矩陣稀疏、上下文信息不充分、冷啟動以及排序列表中不同位置出現(xiàn)錯誤的代價問題。為緩解數(shù)據(jù)稀疏,挖掘上下文信息,從而提高推薦精度,本文提出融合社交信息與地理信息的矩陣分解模型和基于List MLE算法的列表級排序?qū)W習(xí)算法,包括:(1)為緩解矩陣稀疏,挖掘隱式反饋,選取并改進BPR(Bayesian Personalized Ranking)模型優(yōu)化矩陣分解的過程。傳統(tǒng)的BPR模型中將簽到與未簽到過的興趣點作為偏序關(guān)系的生成策略,忽略了簽到興趣點之間的偏序關(guān)系,本文改進用戶偏序關(guān)系定義方式,增加簽到頻率高低與評分高低作為偏序關(guān)系的生成策略,更準(zhǔn)確的地擬合用戶對于興趣點的偏好數(shù)據(jù)。(2)為提升推薦精度,并緩解冷啟動問題,選取社交關(guān)系并改進傳統(tǒng)社交關(guān)系計算方式。傳統(tǒng)的社交關(guān)系計算由用戶相似度決定,本文通過融合并改進信任度的計算方式,探究用戶之間社交關(guān)系的遠近,衡量朋友用戶對推薦結(jié)果的影響,設(shè)計基于社交關(guān)系的推薦模型。(3)為挖掘興趣點推薦中用戶偏好,融合地...

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題的研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 課題主要研究內(nèi)容及創(chuàng)新點
        1.3.1 融合社交關(guān)系與地理信息的興趣點推薦
        1.3.2 基于排序?qū)W習(xí)ListMLE的興趣點推薦
    1.4 論文的組織結(jié)構(gòu)
第二章 推薦算法理論及排序?qū)W習(xí)概述
    2.1 推薦算法分類
        2.1.1 基于內(nèi)容的推薦
        2.1.2 基于協(xié)同過濾的推薦
        2.1.3 混合推薦策略
    2.2 基于排序?qū)W習(xí)的推薦
        2.2.1 點級排序?qū)W習(xí)
        2.2.2 對級排序?qū)W習(xí)
        2.2.3 列表級排序?qū)W習(xí)
    2.3 本章小結(jié)
第三章 融合社交關(guān)系與地理信息的興趣點推薦模型
    3.1 基于BPR標(biāo)準(zhǔn)的矩陣分解
    3.2 基于社交關(guān)系與地理位置信息的推薦模型
        3.2.1 社交關(guān)系相似度計算
        3.2.2 社交關(guān)系信任度計算
        3.2.3 社交關(guān)系偏好分?jǐn)?shù)計算
        3.2.4 基于地理位置信息偏好分?jǐn)?shù)計算
        3.2.5 模型融合
        3.2.6 冷啟動問題
    3.3 實驗設(shè)計與分析
        3.3.1 實驗數(shù)據(jù)集
        3.3.2 評價標(biāo)準(zhǔn)
        3.3.3 TGMF模型對比
        3.3.4 參數(shù)K對TGMF模型的影響
        3.3.5 閾值δ對TGMF模型的影響
    3.4 本章小結(jié)
第四章 基于LISTMLE的排序?qū)W習(xí)興趣點推薦模型
    4.1 列表級推薦算法
        4.1.1 List Net算法
        4.1.2 List MLE算法
    4.2 基于社交信任與代價敏感的得分函數(shù)
    4.3 實驗設(shè)計與分析
        4.3.1 數(shù)據(jù)集與評價標(biāo)準(zhǔn)
        4.3.2 .List MLE算法對比
        4.3.3 .代價敏感列表長度
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
在讀期間取得科研成果
致謝



本文編號：3825292