本文關鍵詞：論如何利用挖掘社交資訊來改進推薦系統(tǒng)，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著電子商務及移動商務的發(fā)展,推薦系統(tǒng)在研究領域和實踐領域都顯得越來越重要。傳統(tǒng)的推薦系統(tǒng)研究者利用用戶的打分列表作為推薦的基礎,而忽略了能夠影響用戶偏好的其他因素。然而,實際上用戶偏好以及他們的購買決策同時取決于他們自身的經驗以及社交信息。以前也有推薦系統(tǒng)研究者在推斷用戶偏好和打分的時候考慮了社交信息,但是他們只集中在用戶的行為(這會帶來用戶隱私問題)或利用用戶之間的距離去計算用戶之間的影響力。此項研究著重考察如何充分利用社交信息做更為精準的推薦服務。社交信息指的是從社交環(huán)境中獲取的信息,不僅包括從親密的朋友處得來的信息,也包括從大眾點評中所獲取的信息。根據從社會學,行為學以及推薦系統(tǒng)的研究成果所獲得的理論基礎,我們提出三種新型的推薦系統(tǒng)方法。在此項研究中的實驗比較了現存的推薦方法(包括傳統(tǒng)經典推薦算法,近期經典推薦算法以及以前的社交推薦算法),和此研究中所提出的三種新型推薦算法(包括考慮到從用戶朋友網絡中挖掘出的社交信息的推薦算法,考慮到從大眾點評中挖掘出的社交信息的推薦算法,以及考慮到從用戶朋友網絡和大眾點評中挖掘出的社交信息的推薦算法)的推薦準確性。實驗結果表明此項研究中新提出的三項推薦算法能夠比之前的推薦算法在準確性,覆蓋率以及F-measure等指標中都有更好的表現。特別是當用戶沒有提供任何打分的情境下,此三種推薦算法是不可取代的,因為其它現存的推薦方法在這種情境下是完全無法工作的。我們也發(fā)現從用戶朋友網絡挖掘社交信息比從大眾點評挖掘社交信息更能幫助推薦系統(tǒng)準確的預測用戶偏好和用戶打分。
【關鍵詞】：社交推薦 群落 大眾點評 社交影響力 矩陣分解
【學位授予單位】：中國科學技術大學
【學位級別】：博士
【學位授予年份】：2013
【分類號】：F713.36;C912
【目錄】：

• 摘要5-6
• Abstract6-11
• 1 Background11-24
• 1.1 Recommender system11-17
• 1.1.1 Recommender system introduction12-13
• 1.1.2 Traditional recommender system13-14
• 1.1.3 Problems existing in traditional recommender system14-15
• 1.1.4 Previous studies to solve these problems15-17
• 1.2 Social network and recommender system17-20
• 1.2.1 Social recommendation introduction17-18
• 1.2.2 Correlation between the Social network and user preference18-19
• 1.2.3 Studies of recommender system combined with social network19-20
• 1.2.4 Correlation between the social network structure and user preference20
• 1.3 Public comments and recommender system20-22
• 1.3.1 Problems existing in public comments21
• 1.3.2 Correlation between public comments and user preference21-22
• 1.4 Background summary22-24
• 2 Research question24-31
• 2.1 Social recommender system24-26
• 2.1.1 Problems existing in previous social recommender system researches24-25
• 2.1.2 Connection between structure of social network and similarity of preferencesbetween friends25
• 2.1.3 How to make use of social information to make rating estimation25-26
• 2.2 Recommender system considering public comments26-31
• 2.2.1 Problems existing in recommender system considering public comments researches26-27
• 2.2.2 How to estimate users' preferences according to users' feedback toward publiccomments27-28
• 2.2.3 Recommender system considering social information mined both from friends andpublic comments28-29
• 2.2.4 Users' preferences leaning29
• 2.2.5 Users unknown ratings estimation29-31
• 3 Related works31-46
• 3.1 Holistic review of recommender system researches31-37
• 3.1.1 Content-based recommendation31-32
• 3.1.2 Collaborative-filtering recommendation32
• 3.1.3 Hybrid recommender system research32
• 3.1.4 User modeling technology in recommender system research32-33
• 3.1.5 Information techniques used in recommender systems33-34
• 3.1.6 Mobile recommender system research34-36
• 3.1.7 Recommendation researches from the perspective of behavior36-37
• 3.2 Existing social recommendation researches37-38
• 3.2.1 Trust-aware recommendations37
• 3.2.2 Recommendations combined with social network37-38
• 3.2.3 Researches related to social recommendation38
• 3.3 Existing recommender system considering the public comments38-41
• 3.3.1 Word of mouth39
• 3.3.2 How online review to influence users attitude towards products39
• 3.3.3 The benefits of online review to marketers39-40
• 3.3.4 Usets' implicit feedback40-41
• 3.4 Existing recommender system researches considering social information mined both from friends and public comments41-43
• 3.4.1 How to use public comments in recommender system when combing with socialinformation mined from friends41-42
• 3.4.2 How to use friends' information in recommender system when considering socialinformation mined from public comments42
• 3.4.3 Recommender system considering social information mined both from friends andpublic comments42-43
• 3.5 The related works summary43-46
• 4 Theoretical foundations46-61
• 4.1 Social influence46-48
• 4.1.1 Social conformity46
• 4.1.2 Social comparison46-47
• 4.1.3 Social facilitation47-48
• 4.2 Social influence and customer behavior48-52
• 4.2.1 Original researches on social influence and customer behavior48-49
• 4.2.2 Social influence and customer behavior49-52
• 4.3 Social network characters52-57
• 4.3.1 Social influence and community52
• 4.3.2 Community topology and strength of social influence52-54
• 4.3.3 Centrality and preferences similarity54-57
• 4.4 Users behavior and their preferences57-58
• 4.4.1 Users attitude and users behavior57
• 4.4.2 User behavior and implicit rating57-58
• 4.5 Low rank matrix factorization58-59
• 4.5.1 The advantages of matrix factorization58
• 4.5.2 Matrix factorization used in recommendation58-59
• 4.6 Theoretical foundations summary59-61
• 5 Recommendation Algorithms61-72
• 5.1 Recommendation considering social information mined from friends61-67
• 5.1.1 Friends V.S.Strangers61-62
• 5.1.2 Friends in one community V.S.Friends in different communities62-63
• 5.1.3 Community size and social influence63-64
• 5.1.4 Community density and social influence64-65
• 5.1.5 Users' centrality and social influence65-67
• 5.2 Recommendation considering social information mined from public comments67-70
• 5.2.1 Products quality and users' ratings68-69
• 5.2.2 Users' unique taste and public comments69-70
• 5.3 Recommendation considering social information both from social network and public comments70-72
• 6 Experiment Design72-97
• 6.1 Tested recommendation methods72-74
• 6.1.1 Previous recommendation methods72-73
• 6.1.2 Our proposed recommendation methods73-74
• 6.2 Tested data set74-80
• 6.3 Tested process80-97
• 6.3.1 Collaborative-filtering recommendation method80-81
• 6.3.2 Matrix factorization recommendation method81-84
• 6.3.3 Previous Social Regularization recommendation method84-87
• 6.3.4 A novel social recommendation method considering social information mined fromfriends87-90
• 6.3.5 A novel social recommendation method considering social information mined frompublic comments90-92
• 6.3.6 A novel social recommendation method considering social information mined bothfrom friends and public comments92-97
• 7 Discussion97-109
• 7.1 Benchmarks for evaluation97
• 7.2 Overall performance97-104
• 7.2.1 Collaborative-filtering recommendation method98
• 7.2.2 Matrix factorization recommendation method98-99
• 7.2.3 Previous Social regularization recommendation method99
• 7.2.4 A novel social recommendation method considering social information mined fromfriends99-100
• 7.2.5 A novel social recommendation method considering social information mined frompublic comments100
• 7.2.6 A novel social recommendation method considering social information mined fromboth friends and public comments100-104
• 7.3 New user problem104-109
• 7.3.1 A novel social recommendation method considering social information mined fromfriends104
• 7.3.2 A novel social recommendation method considering social information mined frompublic comments104-105
• 7.3.3 A novel social recommendation method considering social information mined fromboth friends and public comments105-109
• 8 Limitations109-110
• 9 Conclusions110-113
• 10 Future works113-114
• References114-124
• Acknowledgements124-125
• 致謝125-126
• 在讀期間發(fā)表的學術論文與取得的其他研究成果126-128
• 摘要128-130
• 第1章 緒論(推薦系統(tǒng)領域的研究進展)130-133
• 1.1 推薦系統(tǒng)130-131
• 1.1.1 推薦系統(tǒng)介紹130
• 1.1.2 傳統(tǒng)推薦系統(tǒng)130-131
• 1.1.3 關于解決傳統(tǒng)推薦系統(tǒng)所存在問題的研究131
• 1.2 社交網絡與推薦系統(tǒng)131-132
• 1.2.1 社交推薦介紹131
• 1.2.2 社交網絡與用戶偏好之間的聯系131
• 1.2.3 關于社交推薦系統(tǒng)的現有工作131-132
• 1.2.4 社交網絡結構與用戶偏好之間的聯系132
• 1.3 大眾點評和推薦系統(tǒng)132-133
• 第2章 研究問題133-134
• 第3章 文獻綜述134-136
• 3.1 推薦系統(tǒng)研究的總體回顧134
• 3.2 社交推薦系統(tǒng)134
• 3.3 利用大眾點評改進推薦系統(tǒng)的性能134-135
• 3.4 利用從朋友和在線大眾點評中挖掘出的社交信息來改進推薦系統(tǒng)135-136
• 第4章 理論基礎136-137
• 4.1 社交影響力136
• 4.2 社交網絡的結構與社交影響力強度之間的聯系136
• 4.3 用戶行為與用戶偏好之間的關系136
• 4.4 矩陣分解技術136-137
• 第5章 推薦方法137-139
• 算法1137
• 算法2137-138
• 算法3138-139
• 第6章 實驗設計139-140
• 6.1 被測試的推薦方法139
• 6.2 測試數據139
• 6.3 測試過程139-140
• 第7章 實驗結果討論140-143
• 第8章 此研究的局限性143-144
• 第9章 結論144-145
• 第10章 未來的工作145-146
• 參考文獻146-152

【相似文獻】

中國期刊全文數據庫 前10條

1 王佳茵;;對高校園區(qū)體育資源與社會共享的研究[J];科教文匯(下旬刊);2011年10期

2 ;[J];;年期

3 ;[J];;年期

4 ;[J];;年期

5 ;[J];;年期

6 ;[J];;年期

7 ;[J];;年期

8 ;[J];;年期

9 ;[J];;年期

10 ;[J];;年期

中國重要會議論文全文數據庫 前10條

1 ;The Study of the Feasibility of Setting up the Information Security Profession by Institutions[A];Proceedings of 2011 National Teaching Seminar on Cryptography and Information Security(NTS-CIS 2011) Vol.1[C];2011年

2 ;Mobile Information Service Application based on the Telecommunication Company in China[A];第六屆（2011）中國管理學年會——組織與戰(zhàn)略分會場論文集[C];2011年

3 ;An Objective Image Fusion Performance Index:Normalized Edge Mutual Information[A];中國自動化學會控制理論專業(yè)委員會C卷[C];2011年

4 石勇;;用戶分辨:消除計算機網絡信息過載的基本方法(英文)[A];信息科學與微電子技術:中國科協(xié)第三屆青年學術年會論文集[C];1998年

5 ;The Influence of Reasoning Capacity and Time Pressure on the Information Search Pattern of Career Decision Making[A];Proceedings 2010 IEEE 2nd Symposium on Web Society[C];2010年

6 Randolph Kluver;;新媒介的邏輯與信息社會:尋找理解新媒介對和諧社會和國際關系影響的理論基礎(英文)[A];北京論壇（2007）文明的和諧與共同繁榮——人類文明的多元發(fā)展模式：“多元文化、和諧社會與可選擇的現代性：新媒體與社會發(fā)展”新聞傳播分論壇論文或摘要集[C];2007年

7 ;Performance Evaluation for Damping Controllers of Power Systems Based on Multi-Layer Multi-Agent Systems[A];第二十七屆中國控制會議論文集[C];2008年

8 Keiji YANO;Masao KAWASHIMA;Kozaburo HACHIMURA;Ryo AKAMA;Mitsuyuki INABA;Yoshikazu NISHIKAWA;;數字化人文學科在日本美術與文化中的問題與展望(英文)[A];北京論壇（2008）文明的和諧與共同繁榮——文明的普遍價值和發(fā)展趨向：“藝術的超越與文明的發(fā)展”藝術分論壇論文或摘要集[C];2008年

9 ;A Particle Filtering Method for Odor-Source Localization in Wireless Sensor Network with Mobile Robot[A];第二十九屆中國控制會議論文集[C];2010年

10 ;Balanced Circular Formation Control Based on Gossip Communication and Angle of Arrival Information[A];中國自動化學會控制理論專業(yè)委員會C卷[C];2011年

中國重要報紙全文數據庫 前10條

1 電腦商報記者 劉一冰;你有“微博”嗎？[N];電腦商報;2011年

2 金錯刀;一個理想主義者遭遇互聯網寒冬[N];人民法院報;2001年

3 如臨;P4與液晶的戰(zhàn)斗[N];網絡世界;2001年

4 鄭楊;我國離新經濟還有多遠？[N];中國財經報;2001年

5 孫文;網絡經濟成功三步曲[N];中國電子報;2000年

6 ;靈活智能個性化：電子商務的未來（待續(xù)）[N];中國信息報;2000年

7 阿甘;外包 先來搭把手[N];中國計算機報;2002年

8 勝彥婷;醫(yī)療保險在美國[N];健康報;2002年

9 本報記者 崔謙;只要有“芯”，，就有希望[N];中國計算機報;2001年

10 ;展望2000年后的信息科學與技術[N];計算機世界;2000年

中國博士學位論文全文數據庫 前10條

1 方冰;論如何利用挖掘社交資訊來改進推薦系統(tǒng)[D];中國科學技術大學;2013年

2 Harrison J. Bii;[D];武漢大學;2009年

3 鐘雪爿;消費者在社交購物網站中的光顧及購買意愿研究[D];中國科學技術大學;2013年

4 周陸揚;[D];中國海洋大學;2009年

5 Rashwan Khalil（王睿）;[D];西南大學;2011年

6 余貴華;信息與組織相關機制的研究[D];吉林大學;2010年

7 尹航;在Tevatron上測量前后不稱性[D];中國科學技術大學;2010年

8 程世寶;社會主義市場經濟條件下的企業(yè)社會責任研究[D];中共中央黨校;2010年

9 王曉磊;社會空間論[D];華中科技大學;2010年

10 努瓦天;[D];華中科技大學;2010年

中國碩士學位論文全文數據庫 前10條

1 祁奇;基于標簽數據的用戶協(xié)同過濾[D];南京大學;2012年

2 BIDEMI OLADELE;[D];北京交通大學;2012年

3 羅姆沙法;復仇者聯盟的社交網絡[D];浙江大學;2013年

4 王慧華;[D];華中科技大學;2012年

5 阿貝;[D];東華大學;2012年

6 方英英;浙江臺州返鄉(xiāng)高校畢業(yè)生的求職過程[D];浙江大學;2013年

7 胡妍;利用JXTA技術的點對點通信實現醫(yī)療服務的互通性[D];浙江工業(yè)大學;2011年

8 展雪梅;中文刑事判決書樹狀信息結構研究[D];河南科技大學;2012年

9 廖桂苓;新進中國員工在跨國公司中信息尋求的采訪研究[D];西南財經大學;2012年

10 陳安嬡;門診交際中敏感話題的會話分析[D];山西大學;2010年

  本文關鍵詞：論如何利用挖掘社交資訊來改進推薦系統(tǒng)，由筆耕文化傳播整理發(fā)布。

本文編號：293296