飛速發(fā)展的計算機、互聯網和web技術改變了人們的生活,人們在虛擬社區(qū)中結交好友、在新聞網站中瀏覽新聞、在視頻網站中觀看電影、在虛擬圖書館中查閱書籍、在電商平臺中購買物品。但是,人們在享受多彩生活的同時也感受到了信息膨脹帶來的煩惱,即人們無法在海量數據中快速有效地找到最相關的信息。電影、書籍、網頁等信息的數據量動輒以千萬級,這些數據信息的增長速度已經遠遠超過了人類的自然處理能力。在這種大數據的背景下,用戶獲取所需信息的代價越來越大,僅僅依靠傳統人力的方式已經無法評價和選擇這些物品。在這種情況下,有效過濾海量信息的最有吸引力的方法就是個性化推薦技術。它利用用戶個人信息,例如用戶活動的歷史記錄,發(fā)現用戶喜好,然后根據用戶喜好進行推薦,例如Amazon.com使用用戶的購買歷史記錄向用戶推薦書籍,AdaptiveInfo.com使用用戶的閱讀歷史向用戶推薦新聞,還有TiVo數字視頻系統根據用戶的觀看模式和評分記錄向用戶推薦電視節(jié)目。研究者們提出了多樣的推薦算法,其中,基于鏈路預測的協作推薦算法受到了廣泛關注。本文從單一節(jié)點網絡上的鏈路預測研究入手,研究二部圖網絡上的鏈路預測,發(fā)現物品之間的相似性,結合協作技術完成推薦。論文主要工作和創(chuàng)新點如下：1、考慮無權網絡上的弱關系特性,提出基于局部路徑相似性的改進鏈路預測算法。傳統相似性算法,尤其是基于半局部路徑相似性AA (Adamic Adar)和RA(Resource Allocation)算法,忽略了鄰居關系強弱程度對于節(jié)點相似性的影響,導致算法預測性能的局限性。因此本文從端點之間弱關系角度出發(fā),提出了基于局部路徑相似性的改進鏈路預測算法OAA (Optimized AA)和ORA (Optimized RA)。實驗結果表明突出弱關系的改進算法有效提升了算法的準確性和適應性。2、發(fā)現路徑所具有的異構性,并提出SP (Significant Path)算法。研究發(fā)現,在半局部路徑相似性鏈路預測中,不同結構的路徑傳遞相似性的能力不同,小度節(jié)點構成的路徑能在端點之間傳遞更多的相似性,而且較長路徑能提供更多相似性傳遞通道。因此本文根據路徑異構性,提出SP (Significant Path)算法,給不同路徑賦予不同權重,增強鏈路預測準確性。3、提出考慮端點有效影響力的有效路徑算法。研究發(fā)現,傳統算法忽略了端點的無貢獻連邊,夸大了端點影響力,錯誤地增強了端點間的相似性,削弱了鏈路預測的準確性。本文提出有效路徑EP(Effective Path)算法,剔除端點無貢獻關系,提取有效影響力,同時結合路徑差異性,突出小度節(jié)點構成的路徑。實驗結果表明,相比于傳統算法,EP算法明顯提高了鏈路預測的準確性。4、考慮未購買物品到已購買物品的反向相似性,提出修正相似性推薦算法。研究發(fā)現,通過研究網絡資源擴散和二部圖拓撲特性,可以利用鏈路預測算法實現相似性推薦,但是,由于網絡數據的稀疏性和不對稱性,物品的相似性估計會出現偏差。本文考慮未購買物品到已購買物品的反向相似性,修正了單向相似性估計,克服了數據的不對稱性,稱為修正相似性CSI (Corrected Similarity Inference)推薦算法。實驗結果表明,相比于傳統相似性推薦算法,CSI可以明顯提高推薦的準確性、多樣性和新奇性。5、提出一致性推薦算法。研究表明,傳統相似性推薦算法的推薦依據是購買時間上的因果關系,但是在大部分時間用戶購買物品的先后順序并不存在因果關系。事實上,用戶購買物品的本質在于對兩個物品喜好的一致性,因此本文提出一致性推薦算法CBI(Consistence-based Inference)和非平衡一致性推薦算法UCBI (Unbalanced CBI)。實驗表明一致性推薦算法能較好地改進算法的準確性、多樣性和新奇性。
【學位單位】：北京郵電大學
【學位級別】：博士
【學位年份】：2015
【中圖分類】：TP391.3;O157.5
【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景
        1.1.1 推薦系統的發(fā)展現狀及特征分析
        1.1.2 推薦系統的國內外研究現狀
    1.2 相關理論基礎
        1.2.1 復雜網絡理論基礎
        1.2.2 鏈路預測理論
        1.2.3 基于鏈路預測的協同推薦理論
    1.3 復雜網絡下基于鏈路預測推薦所面臨的問題及研究意義
        1.3.1 面臨的問題
        1.3.2 研究意義
    1.4 論文主要內容及安排
        1.4.1 論文相關的主要工作
        1.4.2 論文的主要內容及創(chuàng)新點
    參考文獻
第二章 基于鏈路預測的推薦方法
    2.1 研究思路
    2.2 鏈路預測的研究方法
        2.2.1 鏈路預測的典型研究成果
        2.2.2 鏈路預測的實驗數據
        2.2.3 鏈路預測的實驗方法
    2.3 推薦技術的研究方法
        2.3.1 推薦技術的典型研究成果
        2.3.2 推薦技術的研究數據介紹
        2.3.3 推薦技術的研究方法介紹
    2.4 本章小結
    參考文獻
第三章 基于弱關系的鏈路預測算法
    3.1 研究背景
    3.2 問題描述
    3.3 基于弱關系的優(yōu)化鏈路預測模型
        3.3.1 CN、AA和RA算法介紹
        3.3.2 改進優(yōu)化算法模型
    3.4 實驗結果與分析
        3.4.1 數據集
        3.4.2 度量指標
        3.4.3 結果與分析
    3.5 本章小結
    參考文獻
第四章 基于路徑異構性的鏈路預測算法
    4.1 研究背景
    4.2 問題描述
    4.3 基于路徑異構性的鏈路預測建模
        4.3.1 Significant Path(SP)模型
        4.3.2 對比算法
    4.4 實驗結果與分析
        4.4.1 數據集
        4.4.2 評估準則
        4.4.3 結果與分析
    4.5 本章小結
    參考文獻
第五章 基于端點影響力的鏈路預測算法
    5.1 研究背景
    5.2 問題描述
    5.3 基于端點影響力建立鏈路預測模型
        5.3.1 Effective path(EP)模型
        5.3.2 對比算法
    5.4 實驗結果與分析
        5.4.1 數據集
        5.4.2 評估準則
        5.4.3 結果與分析
    5.5 本章小結
    參考文獻
第六章 基于修正相似性的協作推薦算法
    6.1 研究背景
    6.2 問題描述
    6.3 基于修正相似性的推薦算法CSI
        6.3.1 基于二部圖網絡的經典相似性算法
        6.3.2 相似性修正模型CSI
        6.3.3 對比算法
    6.4 實驗結果與分析
        6.4.1 數據集
        6.4.2 評價準則
        6.4.3 結果與分析
    6.5 本章小結
    參考文獻
第七章 基于一致性的協作推薦算法
    7.1 研究背景
    7.2 問題描述
    7.3 基于一致性的推薦算法CBI
        7.3.1 基于網絡的因果性推薦算法NBI
        7.3.2 基于一致性的推薦算法CBI和UCBI
        7.3.3 對比算法
    7.4 實驗結果與分析
        7.4.1 數據集
        7.4.2 評價準則
        7.4.3 結果與分析
    7.5 本章小結
    參考文獻
第八章 總結和展望
    8.1 論文總結
    8.2 未來研究展望
致謝
博士期間發(fā)表的學術論文


本文編號：2831533