在目前計算機與網(wǎng)絡發(fā)達的時代,每分每秒都產(chǎn)生著數(shù)量大且維度多的數(shù)據(jù)信息。面對信息過載的問題,人們可以利用推薦系統(tǒng)對信息進行快速且精準地選擇,但在實際使用中,存在數(shù)據(jù)稀疏性與冷啟動等問題。隨著社交網(wǎng)絡規(guī)模與用戶歷史行為數(shù)據(jù)爆炸式增長,社會化推薦系統(tǒng)成為近幾年研究熱點。但目前存在的社會化推薦算法很少考慮到用戶的不信任關系,也忽略了社交關系與用戶評分的領域相關性。通過分析社會化推薦的國內(nèi)外研究現(xiàn)狀,本文在社交網(wǎng)絡中融入不信任關系,并且考慮到全局影響力以及信任關系的領域性問題,利用不信任關系對社交關系進行修正,并結合組推薦的概念,對用戶進行聚類。然后根據(jù)用戶的評分特征和用戶聚類結果,計算出用戶間的領域相關性,再利用考慮了不信任關系的全局影響力,對目標用戶的信任好友進行篩選,通過實驗證明所提算法在提高推薦質(zhì)量和緩解冷啟動問題上都有一定的作用。最后,以此算法作為推薦系統(tǒng)的核心模塊,構建了一個社會化推薦原型系統(tǒng)。本文的主要工作包括:(1)論述本文研究工作的發(fā)展背景,首先介紹國內(nèi)推薦系統(tǒng)的研究現(xiàn)狀,總結該領域目前存在的問題,在此基礎上闡明了本文的研究重點以及該研究的意義。(2)針對傳統(tǒng)社會化推薦中對不...

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
英文摘要
1 緒論
    1.1 研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文的研究意義及主要工作
    1.4 本文的組織結構
    1.5 本章小結
2 相關技術分析
    2.1 傳統(tǒng)推薦
    2.2 社會化推薦
        2.2.1 基于網(wǎng)絡圖模型的社會化推薦
        2.2.2 基于矩陣分解的社會化推薦
    2.3 基于信任-不信任關系的社會化推薦
    2.4 本章小結
3 基于領域信任及不信任的奇異值分解推薦算法
    3.1 問題的提出
    3.2 領域信任和不信任關系的度量
        3.2.1 信任和不信任關系的度量
        3.2.2 用戶領域相關性的計算
    3.3 融合了不信任關系的用戶全局影響力計算
    3.4 實驗設計及分析
        3.4.1 實驗數(shù)據(jù)集
        3.4.2 評價指標
        3.4.3 實驗結果及分析
    3.5 本章小結
4 基于融合組推薦的領域信任及不信任的社會化推薦算法
    4.1 問題的提出
    4.2 基于用戶聚類的組推薦研究
        4.2.1 用戶偏好的獲取
        4.2.2 組推薦中群組的形成
        4.2.3 用戶偏好的融合
    4.3 基于融合組推薦的領域信任及不信任的社會化推薦算法實現(xiàn)
        4.3.1 基于用戶聚類的領域相關性計算
        4.3.2 算法實現(xiàn)流程
    4.4 實驗設計及分析
        4.4.1 實驗數(shù)據(jù)集
        4.4.2 評價指標
        4.4.3 實驗結果與分析
    4.5 本章小結
5 基于領域信任及不信任的社會化推薦原型系統(tǒng)
    5.1 社會化推薦原型系統(tǒng)需求分析
    5.2 社會化推薦原型系統(tǒng)總體設計
    5.3 社會化推薦原系統(tǒng)功能實現(xiàn)
        5.3.1 日志管理模塊
        5.3.2 用戶相關數(shù)據(jù)分析模塊
        5.3.3 推薦系統(tǒng)模塊
    5.4 社會化推薦原型系統(tǒng)的實現(xiàn)及效果展示
    5.5 本章小結
6 總結與展望
    6.1 總結
    6.2 展望
參考文獻
附錄
    A作者在攻讀學位期間發(fā)表的論文目錄
    B作者在攻讀學位期間參與的科研項目
    C學位論文數(shù)據(jù)集
致謝



本文編號：3856069