本文關鍵詞：基于用戶分解和社交融合的推薦算法研究　出處：《華東師范大學》2016年博士論文　論文類型：學位論文

  更多相關文章： 推薦系統(tǒng) 用戶分解 情景感知推薦 社交推薦 非對稱社交影響力

【摘要】：在互聯(lián)網(wǎng)時代,人們不受時空限制地享受著互聯(lián)網(wǎng)提供的信息和服務的同時,也不得不面對海量且規(guī)模不斷增長的數(shù)據(jù)以及大量的無效信息。推薦系統(tǒng)作為信息過濾的重要工具,同時為用戶提供個性化的信息服務,越來越受到人們的歡迎,并且必不可少。典型的推薦技術為協(xié)同過濾算法,該算法利用其他購買過共同物品的相似用戶來預測當前用戶的偏好,由于其重要的應用價值和學術價值,已經(jīng)被工業(yè)界和學術界廣泛的研究。然而,在多個用戶的歷史行為混合且無法顯式區(qū)分時,或用戶行為受到系統(tǒng)中的其他用戶影響時,很多算法都不能較好地準確表示用戶的真實興趣或偏好,進而影響到推薦服務的性能。因此,本文嘗試用虛擬用戶重新表示每個用戶的真實偏好,并提高推薦的品質(zhì)。虛擬用戶是表示真實用戶興趣并用于幫助產(chǎn)生推薦的向量或配置文件。針對以上兩種情況,本文分別從用戶分解和社交融合兩個方面研究虛擬用戶對推薦性能的影響。本文首先提出兩種用戶分解算法來研究用戶歷史行為混合的情況下,如何表示虛擬用戶,利用虛擬用戶識別真實用戶,并為識別的用戶做個性化推薦。在網(wǎng)絡協(xié)議電視服務中,家庭成員無差別地使用該服務,為研究混合的用戶行為提供良好的研究對象,這里的兩種方法都是在該服務上進行。第一種方法是基于時間片分割的用戶識別推薦算法。該方法定義一個時間片內(nèi)的活動為一個虛擬用戶的活動,并利用隱式評分捕獲虛擬用的偏好,合并偏好相似的虛擬用戶作為真實用戶,并為這些用戶做個性化的推薦；第二種方法是基于子空間聚類的用戶識別推薦算法。該算法基于賬戶-項目-時間的張量分解和子空間聚類來發(fā)現(xiàn)用戶的時序行為,利用聚類的時間段來表示虛擬用戶,合并偏好相似的虛擬用戶作為真是用戶,并為這些用戶做個性化的推薦。實驗表明兩種方法都比之前的方法性能更優(yōu),并且第二種方法比第一種方法更自動化且性能更好。在社交網(wǎng)絡中,用戶之間進行各種各樣的交流,為研究用戶間的興趣相互影響提供了理想的研究對象。因此,基于用戶(或用戶對物品的偏好)受到其社交鄰居的影響這一假設,本文進一步提出融合社交影響力的兩種新穎的推薦算法。這兩種方法在用戶-物品矩陣分解框架的基礎上融合用戶-用戶社交鏈接矩陣。具體而言,利用用戶評分和該用戶社交鄰居的評分構建虛擬用戶來表示用戶的真實偏好。第一種融合個性化因素和加權社交影響力的方法,利用用戶和社交鄰居之間的隱式偏好構建社交影響力,在預測時同時結合用戶個人因素和社交影響力帶來的偏好影響,在很大程度上可以提高對評分較少的用戶的預測性能。然而,每個用戶受到其社交鄰居的影響程度不同：不僅個數(shù)不同,而且相互的影響程度也不同。因此,第二種方法利用非對稱社交影響力來重新表示用戶間產(chǎn)生的相互影響。同時,實驗結果證明本文提出的方法比目前的其他方法更加準確而高效。
[Abstract]:In the Internet era, people enjoy the information and services provided by the Internet without being limited by time and space. At the same time, they also have to face massive and growing data and lots of invalid information. As an important tool for information filtering and providing personalized information services for users, the recommendation system is becoming more and more popular and indispensable. The typical recommendation technology is collaborative filtering algorithm, which uses other similar users who purchase common goods to predict the current user preferences. Because of its important application value and academic value, it has been widely studied by industry and academia. However, when many users' historical behaviors are mixed and cannot be distinguished distinctions, or users' behaviors are influenced by other users in the system, many algorithms can not accurately represent the users' real interests or preferences, and further affect the performance of recommendation services. Therefore, this article attempts to reexpress the true preferences of each user with a virtual user and improve the quality of the recommendation. A virtual user is a vector or configuration file that represents a real user's interest and is used to help produce a recommendation. In view of the above two situations, this paper studies the effect of virtual users on the performance of recommendation from two aspects of user decomposition and social integration. In this paper, two user decomposition algorithms are first proposed to study how to represent virtual users under the condition of mixed user behavior, to identify the real users by virtual users, and to make personalized recommendation for the identified users. In the network protocol TV service, family members use this service without distinction, providing good research objects for studying the mixed user behavior. The two methods here are carried out on the service. The first method is a user recognition recommendation algorithm based on time slice segmentation. This method defines a time slice of the activity as a virtual user activity, and the implicit score for virtual capture preferences, preferences with similar virtual users as real users, and these users make personalized recommendation; the second method is user identification subspace clustering recommendation algorithm based on. Based on account item time tensor decomposition and subspace clustering, the algorithm finds user's temporal behavior, uses clustering time to express virtual users, and combines virtual users with similar preferences as real users, and makes personalized recommendation for these users. Experiments show that the two methods are better than the previous ones, and the second methods are more automated and better than the first one. In social networks, a variety of communication between users provides an ideal research object for the study of the interaction between users. Therefore, based on the hypothesis that users (or users' preferences for goods) are influenced by their social neighbors, this paper further proposes two novel recommendation algorithms that integrate social influence. These two methods integrate the user - user social link matrix on the basis of the user - object matrix decomposition framework. In particular, the user's real preference is expressed by building a virtual user by using the user score and the score of the user's social neighbor. The first method and the weighted fusion individual factors influence social construction, social influence the implicit preference between the user and the social neighbors, when combined with the impact of the user's personal factors and social influence preferences, to a large extent can improve the prediction performance of the score less user. However, each user has a different degree of influence by its social neighbors: not only a different number, but also a different degree of influence. Therefore, the second methods use asymmetric social influence to rerepresent the interaction between users. At the same time, the experimental results show that the proposed method is more accurate and efficient than the other methods.
【學位授予單位】：華東師范大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TP391.3

【相似文獻】

相關期刊論文 前10條

1 徐義峰;徐云青;劉曉平;;一種基于時間序列性的推薦算法[J];計算機系統(tǒng)應用;2006年10期

2 余小鵬;;一種基于多層關聯(lián)規(guī)則的推薦算法研究[J];計算機應用;2007年06期

3 張海玉;劉志都;楊彩;賈松浩;;基于頁面聚類的推薦算法的改進[J];計算機應用與軟件;2008年09期

4 張立燕;;一種基于用戶事務模式的推薦算法[J];福建電腦;2009年03期

5 王晗;夏自謙;;基于蟻群算法和瀏覽路徑的推薦算法研究[J];中國科技信息;2009年07期

6 周珊丹;周興社;王海鵬;倪紅波;張桂英;苗強;;智能博物館環(huán)境下的個性化推薦算法[J];計算機工程與應用;2010年19期

7 王文;;個性化推薦算法研究[J];電腦知識與技術;2010年16期

8 張愷;秦亮曦;寧朝波;李文閣;;改進評價估計的混合推薦算法研究[J];微計算機信息;2010年36期

9 夏秀峰;代沁;叢麗暉;;用戶顯意識下的多重態(tài)度個性化推薦算法[J];計算機工程與應用;2011年16期

10 楊博;趙鵬飛;;推薦算法綜述[J];山西大學學報(自然科學版);2011年03期

相關會議論文 前10條

1 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個性化推薦算法[A];第二十四屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2007年

2 唐燦;;基于模糊用戶心理模式的個性化推薦算法[A];2008年計算機應用技術交流會論文集[C];2008年

3 秦國;杜小勇;;基于用戶層次信息的協(xié)同推薦算法[A];第二十一屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2004年

4 周玉妮;鄭會頌;;基于瀏覽路徑選擇的蟻群推薦算法:用于移動商務個性化推薦系統(tǒng)[A];社會經(jīng)濟發(fā)展轉型與系統(tǒng)工程——中國系統(tǒng)工程學會第17屆學術年會論文集[C];2012年

5 蘇日啟;胡皓;汪秉宏;;基于網(wǎng)絡的含時推薦算法[A];第五屆全國復雜網(wǎng)絡學術會議論文（摘要）匯集[C];2009年

6 梁莘q，

本文編號：1339583