大數(shù)據(jù)時代的到來,促使人類社會進入到空前發(fā)達的信息時代,在享受豐富信息帶來的便捷的同時,人們也受到了信息過載問題的困擾,為此推薦技術(shù)作為一門獨立學科應(yīng)運而生。雖然推薦技術(shù)在過去幾十年間得到了迅速發(fā)展,但是依舊有很多問題亟待解決,如由歷史偏好數(shù)據(jù)稀疏導致的冷啟動,長尾等問題。社交網(wǎng)絡(luò)的快速發(fā)展為推薦提供了可靠的數(shù)據(jù)支持,從而為解決冷啟動問題提供了幫助。為此,結(jié)合社交信息的推薦方法逐漸成為近年來的研究熱點。目前提出的融合社交信息的模型多是基于矩陣分解的框架構(gòu)建而成。然而,由于模型構(gòu)造的缺陷,已有社交推薦模型無法充分挖掘社交網(wǎng)絡(luò)的結(jié)構(gòu)信息,進而導致推薦精度不高,冷啟動問題解決不充分等問題。圖表示學習算法的出現(xiàn)為社交推薦研究提供了新思路。本文立足于圖表示學習算法,對結(jié)合社交信息的推薦模型進行了深入的探討和研究,工作如下:首先,針對信任式社交網(wǎng)絡(luò),分別從全局角度和局部角度對用戶在網(wǎng)絡(luò)中的影響力進行度量,通過融合全局和局部影響力重新定義用戶之間的關(guān)聯(lián)強度。不同于其他方法,我們并不假定所有的社交信息都是有效的。通過對用戶歷史評分信息的挖掘,構(gòu)建了具有潛在相似品味的用戶關(guān)系網(wǎng)絡(luò),并利用該用戶關(guān)系網(wǎng)絡(luò)對... 

【文章來源】：北京交通大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

圖２－１用戶物品行為關(guān)系圖??

圖２－２推薦列表??

其優(yōu)化本質(zhì)是通過迭代更新的方式得到更為合理的用戶及物品的特征向??量，在盡可能擬合己有歷史評分數(shù)據(jù)的同時對評分矩陣進行填充，達到評分預測??的效果。其基本原理如圖２－４所示，??ｎ??—＾?「?丨???Ｊ??ｍ??－Ｉ?＼?Ｉ?＂?＊?｜?ｍ??ｎ??＊??????ｋ??圖２－４矩陣分解的基本原理示意??Ｆｉｇｕｒｅ?２－４?Ｔｈｅ?ｂａｓｉｃ?ｉｄｅａ?ｏｆ?ｍａｔｒｉｘ?ｆａｃｔｏｒｉｚａｔｉｏｎ?ｍｏｄｅｌ．??矩陣分解方法的損失函數(shù)如下：??（２－５）??其中Ｇ和＇?分別表示用戶ｉ和物品ｊ的特征向量，第二項甽｜？７，．｜｜２＋｜＾｜）是??用于控制模型復雜度以防止過擬合的正則項。??通常情況下為了計算的高效性，采用交替迭代的方式對模型進行優(yōu)化求解。??具體來說，包括梯度下降（Ｇｒａｄｉｅｎｔ?Ｄｅｓｃｅｎｔ，?ＧＤ）、批量梯度下降（Ｂａｔｃｈ?Ｇｒａｄｉｅｎｔ??Ｄｅｓｃｅｎｔ，?ＢＧＤ）和隨機梯度下降法（Ｓｔｏｃｈａｓｔｉｃ?Ｇｒａｄｉｅｎｔ?Ｄｅｓｃｅｎｔ，?ＳＧＤ）。其中隨機梯度??下降法因為適用于大規(guī)模數(shù)據(jù)集的處理，而被廣泛應(yīng)用于實際場景中，其更新公??式為，??１１（＇＋１）

【參考文獻】：
期刊論文
[1]中國互聯(lián)網(wǎng)絡(luò)發(fā)展狀況統(tǒng)計報告[J].   中國科技信息. 2018(05)
[2]融合社交信息的矩陣分解推薦方法研究綜述[J]. 劉華鋒,景麗萍,于劍.  軟件學報. 2018(02)
[3]社會網(wǎng)絡(luò)節(jié)點影響力分析研究[J]. 韓忠明,陳炎,劉雯,原碧鴻,李夢琪,段大高.  軟件學報. 2017(01)
[4]基于擴展度的復雜網(wǎng)絡(luò)傳播影響力評估算法[J]. 閔磊,劉智,唐向陽,陳矛,劉三(女牙).  物理學報. 2015(08)
[5]網(wǎng)絡(luò)重要節(jié)點排序方法綜述[J]. 任曉龍,呂琳媛.  科學通報. 2014(13)
[6]基于網(wǎng)絡(luò)社團結(jié)構(gòu)的節(jié)點傳播影響力分析[J]. 趙之瀅,于海,朱志良,汪小帆.  計算機學報. 2014(04)
[7]推薦系統(tǒng)評價指標綜述[J]. 朱郁筱,呂琳媛.  電子科技大學學報. 2012(02)



本文編號：3342748