從移動(dòng)社會(huì)化電子商務(wù)推薦系統(tǒng)基本模型出發(fā),重點(diǎn)研究高維特征信息選擇、物品之間相似信任關(guān)系、用戶之間相似信任關(guān)系、用戶之間直接和間接信任傳播關(guān)系等關(guān)鍵技術(shù)。并結(jié)合基于內(nèi)容推薦算法中特征選擇算法和基于社會(huì)化協(xié)同過(guò)濾推薦算法（包括面向評(píng)分和面向排序）等領(lǐng)域研究成果進(jìn)行深入研究。具體研究?jī)?nèi)容和成果有以下幾點(diǎn):1在移動(dòng)社會(huì)化電子商務(wù)系統(tǒng)中的基于內(nèi)容推薦特征選擇方面:圍繞著如何從高維特征數(shù)據(jù)中篩選出高度相關(guān)、刪除無(wú)關(guān)和冗余的特征子集,展開相關(guān)研究,其研究成果如下:（1）提出基于近似馬爾科夫毯最大相關(guān)最小冗余特征選擇算法,該算法包括特征相關(guān)性排序和冗余特征刪除兩個(gè)階段:第1階段,利用最大相關(guān)最小冗余準(zhǔn)則進(jìn)行相關(guān)特征排序,并采用前向迭代搜索方法進(jìn)行最優(yōu)特征選擇;第2階段采用近似馬爾科夫毯方法進(jìn)行特征與標(biāo)簽以及特征間依賴關(guān)系分析,將特征間相互依賴程度高特征進(jìn)行刪除,保留能夠有較高區(qū)分能力特征組成最優(yōu)特征子集。由于該算法具有初期特征子集優(yōu)選能力,進(jìn)一步提高分類學(xué)習(xí)算法泛化能力。（2）目前許多特征選擇算法都存在錯(cuò)選冗余和無(wú)關(guān)特征的現(xiàn)象。由于過(guò)多的特征會(huì)減慢移動(dòng)社會(huì)化電子商務(wù)內(nèi)容推薦的速度,并導(dǎo)致分類過(guò)度擬合... 

【文章來(lái)源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：127 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

圖１－２論文研究思路??⑵針對(duì)在移動(dòng)電子商務(wù)環(huán)境中如何處理無(wú)關(guān)特征和冗余特征以及交互特征的問(wèn)題

北京郵電大學(xué)工學(xué)博士學(xué)位論文???者參與的教育部項(xiàng)目基金編號(hào)：１９ＹＪＡ８７０００５涉及這方面研究）的時(shí)候，使用ＪＭＭＣ算法。??第二章基于移動(dòng)社會(huì)化電子商務(wù)的近似馬爾科夫毯??＾?的ｍＲＭＲ特征選擇算法???第三章在移動(dòng)社會(huì)化電子商務(wù)環(huán)境下聯(lián)合互信息的??＊［?特征選擇算法???第四章基于核心物品信任關(guān)系的移動(dòng)社會(huì)化電子商??＾?務(wù)推薦算法???姑一冰、八￣?第五章融合多種信任關(guān)系的移動(dòng)社會(huì)化電子商務(wù)推??第一章緒論?一??＾?薦算法?＿??????—？第八章總結(jié)和展望??第六章特定社交網(wǎng)絡(luò)環(huán)境下用戶影響力和信任關(guān)系??＇?］?的移動(dòng)社會(huì)化電子商務(wù)推薦算法???第七章正則化的移動(dòng)電子商務(wù)用戶信任排序推薦算??］??法???圖１－３論文撰寫框架??共同之處：第四章、第五章和第六章都以ＰＭＦ算法作為基礎(chǔ)框架，然后通過(guò)ＭＡＥ和ＲＭＳＥ??這兩個(gè)預(yù)測(cè)評(píng)分指標(biāo)進(jìn)行評(píng)分預(yù)測(cè)。不同之處：第四章利用物品之間社會(huì)化信任關(guān)系對(duì)移動(dòng)??社會(huì)化電子商務(wù)進(jìn)行推薦。第五章利用特定領(lǐng)域用戶間隱式和顯示信任關(guān)系對(duì)移動(dòng)社會(huì)化電??子商務(wù)推薦。第六章針對(duì)在移動(dòng)社會(huì)化電子商務(wù)環(huán)境推薦系統(tǒng)中，不同社交網(wǎng)反映不同用戶??的影響力和信任關(guān)系的推薦。第七章以ＢＰＲＭＦ算法作為基礎(chǔ)框架，然后通過(guò)Ｐｒｅｃｉｓｉｏｎ、ＭＡＰ??和ＮＤＣＧ這三個(gè)指標(biāo)進(jìn)行排序預(yù)測(cè)。最后，總結(jié)全文并進(jìn)行展望（第八章）。??１０??

北京郵電大學(xué)工學(xué)博士學(xué)位論文???征排序；ＦＣＢＦ算法和ｎｍＲＭＲ算法都可以對(duì)特征進(jìn)行排序和特征初眩比較以上４種算法??間優(yōu)劣的方式就是將以上４種算法所選的特征集合放在同一個(gè)分類器中逐次進(jìn)行驗(yàn)證。為保??證本實(shí)驗(yàn)的公正性，實(shí)驗(yàn)都對(duì)選擇出的特征集合不加限制，本文實(shí)驗(yàn)的研究框架具體如圖２－１??所示。??？?ＦｕｌｌＳｅｔ?算法１?????—近鄰算法一｜??？?ＦＣＢＦ算法???數(shù)則化Ｉ??＾特，：選擇ｑ??—ｍＲＭＲ算法??樸素貝葉??＂＾ＺＺＺＺＩ－－?—斯??？?ｎｍＲＭＲ算法???圖２－１實(shí)驗(yàn)的研究框架??表２－２￣表２－５分別是ＫＮＮ和Ｎａｉｖｅ?Ｂａｙｅｓ分類器在不同特征選擇算法前后的分類結(jié)果。??由表２－１和表２＿２可以看出，在ｓｐａｍｂａｓｅ數(shù)據(jù)集中，ｎｍＲＭＲ算法分類準(zhǔn)確率略低于ｍＲＭＲ??算法，但是，在其他７個(gè)數(shù)據(jù)集上，ｎｍＲＭＲ算法均優(yōu)于ｍＲＭＲ算法。在８?jìng)�(gè)數(shù)據(jù)集中，ｎｍＲＭＲ??算法比ｍＲＭＲ算法平均準(zhǔn)確率提高了?０．４２％。由表２－３可以看出，ｎｍＲＭＲ算法比ｍＲＭＲ算??法平均特征子集數(shù)少了?５．?３７５個(gè)。由表２－４可以看出，ｎｍＲＭＲ算法和ｍＲＭＲ算法在??ｌｕｎｇ－ｃａｎｃｅｒ數(shù)據(jù)集上平均準(zhǔn)確率相等外，在其他７個(gè)數(shù)據(jù)集上，ｎｍＲＭＲ算法均優(yōu)于ｍＲＭＲ??算法。在８?jìng)�(gè)數(shù)據(jù)集中，ｎｍＲＭＲ算法比ｍＲＭＲ算法平均準(zhǔn)確率提高了?１．１４％。由表２－５可??以看出，在８?jìng)�(gè)數(shù)據(jù)集上選擇出的平均特征子集數(shù)，ｎｍＲＭＲ算法比ｍＲＭＲ算法少了?８．?３７５??個(gè)。由表２－２和表２－３可以看出，在８?jìng)�(gè)數(shù)據(jù)集上選擇出的平均特征子集數(shù)，ｎｍＲＭＲ算法??比ＦＣＢＦ

【參考文獻(xiàn)】：
期刊論文
[1]耦合社會(huì)信任信息的矩陣分解協(xié)同過(guò)濾模型[J]. 蔣偉,秦志光.  電子科技大學(xué)學(xué)報(bào). 2019(03)
[2]融合用戶信任度和相似度的基于核心用戶抽取的魯棒性推薦算法[J]. 趙明,閆寒,曹高峰,劉昕鴻.  電子與信息學(xué)報(bào). 2019(01)
[3]電子商務(wù)網(wǎng)站社交因素對(duì)消費(fèi)者電子口碑發(fā)布動(dòng)機(jī)及意愿的影響[J]. 張琳,閆強(qiáng),劉奕.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(09)
[4]基于偏好度特征構(gòu)造的個(gè)性化推薦算法[J]. 黃金超,張佳偉,陳寧,陳毅鴻,江文,李生紅.  上海交通大學(xué)學(xué)報(bào). 2018(07)
[5]加入用戶對(duì)項(xiàng)目屬性偏好的奇異值分解推薦算法[J]. 魏港明,劉真,李林峰,張猛.  西安交通大學(xué)學(xué)報(bào). 2018(05)
[6]簡(jiǎn)化的Slope One在線評(píng)分預(yù)測(cè)算法[J]. 孫麗梅,李悅,Ejike Ifeanyi Michael,曹科研.  計(jì)算機(jī)應(yīng)用. 2018(02)
[7]面向服務(wù)推薦的QoS成列協(xié)同排序算法[J]. 曹婧華,孔繁森,冉彥中.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2018(01)
[8]基于多維特征差異的個(gè)性化學(xué)習(xí)資源推薦方法[J]. 李浩君,張廣,王萬(wàn)良,江波.  系統(tǒng)工程理論與實(shí)踐. 2017(11)
[9]一種基于協(xié)同矩陣分解的用戶冷啟動(dòng)推薦算法[J]. 高玉凱,王新華,郭磊,陳竹敏.  計(jì)算機(jī)研究與發(fā)展. 2017(08)
[10]一種改進(jìn)的偏好融合組推薦方法[J]. 胡川,孟祥武,張玉潔,杜雨露.  軟件學(xué)報(bào). 2018(10)



本文編號(hào)：3135618