在大數(shù)據(jù)時代,個性化推薦系統(tǒng)常常遭遇數(shù)據(jù)稀疏與冷啟動兩大難題。網(wǎng)絡(luò)社交平臺的興起產(chǎn)生了大量的用戶社交關(guān)系,將在線社交關(guān)系引入到傳統(tǒng)的推薦系統(tǒng),將有助于緩解數(shù)據(jù)稀疏與冷啟動問題。基于此假設(shè),社會化推薦應(yīng)運(yùn)而生并很快得到了研究者與工業(yè)界的關(guān)注。然而,在部署社會化推薦系統(tǒng)的過程中,人們發(fā)現(xiàn)社會化推薦并不如期待中那樣能夠產(chǎn)生更好的推薦效果。其失敗的主要原因可以歸結(jié)為顯式的社交關(guān)系中常常不易獲取且其中包含太多噪聲�；诖�,發(fā)掘更多可靠的隱式社交關(guān)系對于社會化推薦來說意義重大。現(xiàn)有的社會化推薦系統(tǒng)大多基于顯式的社交關(guān)系,少數(shù)基于可靠社交的系統(tǒng)也僅僅關(guān)注于從社交網(wǎng)絡(luò)中挖掘可信關(guān)系,忽略了用戶-商品信息在尋找可靠關(guān)系方面的潛在價值�；诖�,本文提出了一種基于隱式朋友的社會化推薦框架。隱式朋友指與當(dāng)前用戶偏好相似但在社交網(wǎng)絡(luò)中可能并不直接相連的用戶。為了尋找隱式朋友,本文首先將整個系統(tǒng)建模為一個異構(gòu)信息網(wǎng)絡(luò),并利用網(wǎng)絡(luò)表示學(xué)習(xí)的方法,在元路徑的輔助下捕獲到了用戶之間的偏好相似性。然后,利用社會化貝葉斯排序自適應(yīng)結(jié)合隱式朋友為用戶生成更精準(zhǔn)的推薦。大量實驗表明,論文所提出的社會化推薦框架優(yōu)于已有的社會化推...

【文章頁數(shù)】：55 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
英文摘要
1 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于顯式社交關(guān)系的推薦
        1.2.2 基于可靠社交關(guān)系的推薦
    1.3 本文的研究內(nèi)容
    1.4 本文的組織結(jié)構(gòu)
2 相關(guān)技術(shù)分析
    2.1 社會化推薦原理介紹
    2.2 協(xié)同過濾的基礎(chǔ)模型
        2.2.1 矩陣分解
        2.2.2 貝葉斯排序
    2.3 網(wǎng)絡(luò)表示學(xué)習(xí)相關(guān)技術(shù)
    2.4 本章小結(jié)
3 基于異構(gòu)網(wǎng)絡(luò)的隱式朋友搜索
    3.1 社會化推薦中存在的問題
        3.1.1 社交關(guān)系中的冷啟動
        3.1.2 社交關(guān)系中的噪聲
    3.2 異構(gòu)網(wǎng)絡(luò)的生成
    3.3 隱式朋友搜索
        3.3.1 元路徑設(shè)計與序列生成
        3.3.2 異構(gòu)網(wǎng)絡(luò)下的結(jié)點(diǎn)表示學(xué)習(xí)
    3.4 本章小結(jié)
4 基于隱式朋友的項目推薦
    4.1 基于隱式朋友的貝葉斯排序模型
        4.1.1 模型假設(shè)與形式化
        4.1.2 隱式朋友數(shù)量的自適應(yīng)學(xué)習(xí)
        4.1.3 參數(shù)求解
    4.2 基于隱式朋友的社會化推薦框架
    4.3 本章小結(jié)
5 實驗結(jié)果和分析
    5.1 實驗設(shè)計
    5.2 自適應(yīng)學(xué)習(xí)驗證
    5.3 推薦效果比較
    5.4 冷啟動用戶的推薦效果
    5.5 顯式朋友vs隱式朋友
    5.6 本章小結(jié)
6 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 未來工作展望
致謝
參考文獻(xiàn)
附錄
    A.作者在攻讀碩士學(xué)位期間發(fā)表和擬發(fā)表論文目錄
    B.作者在攻讀碩士學(xué)位期間參加的科研項目



本文編號：3826975