隨著互聯(lián)網(wǎng)社交平臺的快速發(fā)展,網(wǎng)絡(luò)信息和資源迅速膨脹,網(wǎng)絡(luò)用戶社交關(guān)系也日益復(fù)雜,信息過載的問題越來越突出。推薦系統(tǒng)作為一種信息過濾系統(tǒng),通過對用戶歷史行為數(shù)據(jù)、網(wǎng)絡(luò)用戶社交關(guān)系以及網(wǎng)站項目特征的深度挖掘和分析,構(gòu)建個性化偏好模型,為用戶推薦其需要的信息。文本主要研究分析如何利用社交用戶的影響力分布和興趣相似度提高概率分解模型的精度。根據(jù)用戶活躍度、信息質(zhì)量、興趣相似度改進了基于PageRank的局部影響力模型,結(jié)合用戶歷史行為、主題傾向提出了興趣相似度計算方法。最后,將兩者融合到概率矩陣分解模型中,提出了IS-PMF模型。本文主要工作如下:首先,概述了問答社區(qū)的背景、意義和推薦系統(tǒng)研究現(xiàn)狀,介紹了推薦系統(tǒng)的幾種傳統(tǒng)算法,文本特征提取技術(shù)及推薦系統(tǒng)相關(guān)技術(shù);闡述了社交網(wǎng)絡(luò)和影響力的計算分析方法,為本文的研究提供了理論基礎(chǔ)。其次,本文提出了利用用戶歷史行為數(shù)據(jù)來綜合衡量用戶-項目評分。由于傳統(tǒng)推薦算法往往使用顯式反饋的評分矩陣進行計算,但是隨著社交網(wǎng)絡(luò)發(fā)展,越來越多的社交網(wǎng)站只存在隱性反饋,另外只利用顯式反饋數(shù)據(jù)會造成數(shù)據(jù)稀疏、冷啟動等問題。所以選擇利用用戶歷史行為數(shù)據(jù)綜合衡量用戶-項目...

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文的研究內(nèi)容
    1.4 論文的結(jié)構(gòu)組織
第二章 相關(guān)技術(shù)理論和算法
    2.1 社交網(wǎng)絡(luò)
    2.2 傳統(tǒng)推薦方法
    2.3 文本特征提取
    2.4 其他相關(guān)技術(shù)
    2.5 本章小結(jié)
第三章 社交網(wǎng)絡(luò)影響力的分析與量化
    3.1 社交網(wǎng)絡(luò)影響力分析
    3.2 社交網(wǎng)絡(luò)影響力的分析方法
    3.3 改進的用戶全局和局部影響力度量方法
    3.4 本章小結(jié)
第四章 基于用戶影響力的推薦算法
    4.1 問題描述
    4.2 影響力與相似度修正PMF推薦模型
    4.3 實驗分析
    4.4 本章小結(jié)
第五章 系統(tǒng)設(shè)計與實現(xiàn)
    5.1 系統(tǒng)框架
    5.2 系統(tǒng)需求分析
    5.3 系統(tǒng)數(shù)據(jù)庫設(shè)計
    5.4 系統(tǒng)功能模塊設(shè)計
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻
致謝
個人簡介
附件



本文編號：3970575