【摘要】：隨著信息技術(shù)和移動互聯(lián)網(wǎng)的飛速發(fā)展,信息爆炸的發(fā)展趨勢已經(jīng)不可阻擋。海量的信息在給人們帶來更多選擇的同時,也使得他們常常迷失在信息的海洋中而難以發(fā)現(xiàn)自己感興趣的內(nèi)容,導(dǎo)致“信息過載”問題。近年來,推薦系統(tǒng)成為解決該問題的一種有效途徑,并成功被谷歌、百度、阿里等IT業(yè)巨頭開發(fā)成為典型的商業(yè)應(yīng)用。但當(dāng)前推薦系統(tǒng)的目標(biāo)對象大多為個體用戶,然而隨著現(xiàn)代社會中人與人之間的距離被不斷拉近,社會網(wǎng)絡(luò)中越來越多的線上以及線下活動開始以群組為單位進(jìn)行,相應(yīng)地也產(chǎn)生了向群體用戶推薦信息的需求。近年來,部分學(xué)者開始關(guān)注群體推薦系統(tǒng),也提出了一些有代表性的解決方案及思路,但現(xiàn)有的研究工作仍有不少待完善之處。一方面,社會性群體有多種存在形式,包括隨機型群組、持續(xù)型群組,而推薦系統(tǒng)亦有多種場景形式,諸如隱式推薦、顯式推薦、時序推薦等;對社會網(wǎng)絡(luò)中不同類型群體關(guān)于不同形式的推薦需求,目前尚缺乏系統(tǒng)性研究。另一方面,現(xiàn)有方法在技術(shù)上相對簡單,它們中大多數(shù)都是對群組中各成員的特征加以聚合得到群組特征。然而主觀地定義聚合會產(chǎn)生誤差,并且群體推薦的場景往往有多重特征(例如,異構(gòu)性、動態(tài)性等),群體特性并非個體特性的簡單疊加,需要根據(jù)不同的問題需求,融合場景中的多元化特征,從而實現(xiàn)高效率的群體推薦。鑒于此,本文分別針對兩類群組,結(jié)合不同類型的業(yè)務(wù)場景,研究了社會網(wǎng)絡(luò)中幾種典型的群體推薦問題。本文的具體研究內(nèi)容和貢獻(xiàn)如下:(1)本文研究以隨機型群組為對象的顯式推薦,針對現(xiàn)有方法會引入噪聲偏差的問題,提出了基于多維偏好分布的群體推薦機制。首先,針對群組內(nèi)成員的偏好特征異構(gòu)性,將組中各成員的偏好聚合成為偏好分布的形式,從特征多元化的視角表達(dá)群組偏好。其次,針對群組偏好形式包含多個維度層級,建立多變量支持向量回歸模型來擬合多維偏好分布的生成,采用迭代加權(quán)最小二乘法估計模型參數(shù),進(jìn)而對候選集條目預(yù)測未知的群組偏好信息。然后,提出一種模糊多準(zhǔn)則決策策略,融合多維分布式的群組偏好特征,并計算出候選集條目排序作為推薦結(jié)果。最后,真實數(shù)據(jù)集上的實驗結(jié)果表明,本文提出的群體推薦機制也能夠產(chǎn)生更加高效的推薦結(jié)果,并且對參數(shù)變化具有較好的魯棒性。(2)本文研究以持續(xù)型群組為對象的隱式推薦,針對缺乏明確反饋信息的問題,提出了基于概率推理與非合作博弈的群體推薦機制。首先,假設(shè)群組成員的歷史行為記錄都是受到過程變量影響的決策選擇過程。其次,為行為生成過程賦予合理的先驗分布,建立生成過程的聯(lián)合概率表達(dá),并基于可觀測的行為結(jié)果,借助貝葉斯后驗概率推理從隱式的行為記錄中推斷出顯式的未知過程變量。然后,分析群組成員的合作機理與競爭機制,利用非合作博弈模型將推薦結(jié)果的生成轉(zhuǎn)換成為群組成員尋求各自效益最大化的非合作博弈過程,達(dá)到納什均衡狀態(tài)下的策略解即為推薦結(jié)果。最后,在兩個社會網(wǎng)絡(luò)真實數(shù)據(jù)集上進(jìn)行仿真實驗,結(jié)果表明基于概率推理與非合作博弈的群體推薦機制能夠預(yù)測出更加準(zhǔn)確的推薦結(jié)果,并且該模型的參數(shù)敏感性較好。(3)本文研究以隨機型群組為對象的時序推薦,針對樣本數(shù)據(jù)異構(gòu)性以及呈時序性演進(jìn)的問題,提出了基于高斯過程回歸的群體推薦機制。首先,將異構(gòu)的群組成員行為記錄聚合成群組行為序列,利用LDA主題模型分別識別出每個時序節(jié)點上所有交互的主題分布,作為群組在各個時序節(jié)點上的行為特征。其次,采用高斯過程回歸模型建模群組行為特征的時序演進(jìn)過程,挖掘出內(nèi)在的序列模式,并預(yù)測后續(xù)時刻的行為特征發(fā)展趨勢。然后,基于預(yù)測出的行為特征趨勢,從候選集中選出主題分布特征與之最為接近的條目組合作為推薦結(jié)果。最后,在三個社會網(wǎng)絡(luò)真實數(shù)據(jù)集上進(jìn)行仿真實驗,結(jié)果表明基于高斯過程回歸的群體推薦機制能夠產(chǎn)生最為貼近真實情況的推薦結(jié)果,并且該方法不容易受到數(shù)據(jù)稀疏性的影響。綜上所述,本文對社會網(wǎng)絡(luò)中隨機型群組和持續(xù)型群組的推薦問題提出了一些新的研究思路,對進(jìn)一步研究群體推薦及其相關(guān)課題提供了一定的借鑒與參考。
【圖文】：

圖 1.1 向群體用戶做推薦的幾種典型場景Fig.1.1 Typical scenarios concerning making recommendations to groups of users要指出的是，上述“社會網(wǎng)絡(luò)”在本文中不僅包含互聯(lián)網(wǎng)中的在線群體生活中的各種線下社會群體[81, 84]。以上實例表明，群體用戶也需要過濾工具，因而群體推薦系統(tǒng)（Group-based recommendation system也具有重要的現(xiàn)實意義。GRS 通過分析群體用戶的偏好特征與行為用戶產(chǎn)生符合其需求的推薦結(jié)果，旨在有效地解決面向群體用戶的[10]。然而不同于個體用戶，群組內(nèi)包含多名個體，其內(nèi)在偏好具有異異并尋求多方平衡是一項重要挑戰(zhàn)；此外，有些群組具有動態(tài)性特間存在社交關(guān)聯(lián)與社交影響力，，這又為 GRS 的研究增添了挑戰(zhàn)。此，在社會網(wǎng)絡(luò)中，以保證群體用戶的整體效益為前提，通過深入組以及場景中的多元化特征，致力于為以群體用戶為目標(biāo)對象的推為高效與準(zhǔn)確的解決方案，不僅在學(xué)術(shù)層面上能夠促進(jìn)新的知識發(fā)踐中對個人用戶體驗、企業(yè)盈利模型，乃至互聯(lián)網(wǎng)和社會的發(fā)展都

1 緒 論定義 1.7：時序推薦——當(dāng)假設(shè)隱式的行為記錄之間存在著時序關(guān)聯(lián)[89]時之為有向性隱式反饋信息�；诖祟惙答佇畔⒌耐扑]形式在本文中定義薦。 論文的研究主線和創(chuàng)新點1 研究主線基于 1.2.3 子節(jié)所述的認(rèn)知，本文在深入調(diào)研現(xiàn)有研究的基礎(chǔ)上，將圍繞中的兩類群組，以及不同的業(yè)務(wù)場景形式，系統(tǒng)地研究群體推薦問題的，確立如圖 1.2 所示的研究主線：
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2018
【分類號】：TP391.3;TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 丁世飛;黃華娟;;最小二乘孿生參數(shù)化不敏感支持向量回歸機[J];軟件學(xué)報;2017年12期

2 楊月華;杜軍平;平源;;基于本體的智能信息檢索系統(tǒng)[J];軟件學(xué)報;2015年07期

3 孟祥武;劉樹棟;張玉潔;胡勛;;社會化推薦系統(tǒng)研究[J];軟件學(xué)報;2015年06期

4 石柯;陳洪生;張仁同;;一種基于支持向量回歸的802.11無線室內(nèi)定位方法[J];軟件學(xué)報;2014年11期

5 劉涵;梁莉莉;黃令帥;;基于分塊奇異值分解的兩級圖像去噪算法[J];自動化學(xué)報;2015年02期

6 印鑒;王智圣;李琪;蘇偉杰;;基于大規(guī)模隱式反饋的個性化推薦[J];軟件學(xué)報;2014年09期

7 郭磊;馬軍;陳竹敏;姜浩然;;一種結(jié)合推薦對象間關(guān)聯(lián)關(guān)系的社會化推薦算法[J];計算機學(xué)報;2014年01期

8 李汶華;熊曉棟;郭均鵬;;一種基于案例推理和協(xié)商的群體推薦算法[J];系統(tǒng)工程;2013年11期

9 孫光福;吳樂;劉淇;朱琛;陳恩紅;;基于時序行為的協(xié)同過濾推薦算法[J];軟件學(xué)報;2013年11期

10 何志昆;劉光斌;趙曦晶;王明昊;;高斯過程回歸方法綜述[J];控制與決策;2013年08期

本文編號：2663701