本文關(guān)鍵詞：基于用戶影響力和隱式因子的推薦方法　出處：《浙江大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 推薦系統(tǒng) 數(shù)據(jù)稀疏性 協(xié)同過濾 用戶影響力

【摘要】：協(xié)同過濾算法是迄今最為流行的推薦算法之一,但是傳統(tǒng)的協(xié)同過濾算法都面臨著數(shù)據(jù)稀疏性的問題�，F(xiàn)有的系統(tǒng)主要是通過輔助信息來緩解這一問題,但是這些方法并沒有充分挖掘各類信息中所蘊(yùn)含的價(jià)值,從而限制了模型的性能。為了解決此問題,本文提出了基于用戶影響力和隱式因子的推薦方法。首先,本文使用PageRank算法計(jì)算用戶的全局影響力。然后,考慮到影響力大的用戶在推薦中起引領(lǐng)作用,本文將影響力作為權(quán)重對(duì)評(píng)論文本進(jìn)行預(yù)處理。我們認(rèn)為這是對(duì)平臺(tái)內(nèi)影響力大的用戶"言論"進(jìn)行擴(kuò)散的過程。接下來,利用評(píng)分和處理后的評(píng)論文本,在一個(gè)共享的主題空間使用潛在主題模型對(duì)用戶偏好和物品特征進(jìn)行建模;結(jié)合學(xué)習(xí)到的用戶偏好分布和物品特征分布,使用矩陣分解技術(shù)對(duì)用戶-物品評(píng)分矩陣進(jìn)行分解。最后,用最終得到用戶和物品的潛在特征向量對(duì)模型進(jìn)行預(yù)測。本文在公開數(shù)據(jù)集Epinions上進(jìn)行對(duì)比實(shí)驗(yàn)和結(jié)果分析。結(jié)果表明,將用戶影響力加入模型能極大提升系統(tǒng)的推薦性能,而且模型在召回率方面相較于已有的推薦方法也有一定的提高。
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.3

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前3條

1 張俊豪;顧益軍;張士豪;;基于PageRank和用戶行為的微博用戶影響力評(píng)估[J];信息網(wǎng)絡(luò)安全;2015年06期

2 丁兆云;賈焰;周斌;唐府;;社交網(wǎng)絡(luò)影響力研究綜述[J];計(jì)算機(jī)科學(xué);2014年01期

3 于晶;;微博傳播過程中用戶影響力的特征實(shí)證分析[J];情報(bào)雜志;2013年08期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 倪澤明;混合用戶行為建模的概率矩陣分解推薦算法[D];浙江大學(xué);2015年

，

本文編號(hào)：1308506