本文關(guān)鍵詞：社交網(wǎng)絡(luò)中個(gè)性化推薦模型及算法研究

  更多相關(guān)文章： 個(gè)性化推薦 協(xié)同過(guò)濾 信任關(guān)系 時(shí)間信息 社交網(wǎng)絡(luò)

【摘要】：隨著社交網(wǎng)絡(luò)的快速發(fā)展，網(wǎng)絡(luò)上評(píng)分信息迅速增加，用戶要從如此浩瀚的數(shù)據(jù)海洋中獲取所需要的信息變得越來(lái)越困難，搜索引擎技術(shù)對(duì)所有用戶給出相同的搜索結(jié)果，為了滿足用戶的個(gè)性化服務(wù)需求，各種推薦系統(tǒng)不斷出現(xiàn)。目前的推薦算法存在很多局限性，傳統(tǒng)的協(xié)同過(guò)濾推薦算法由于沒(méi)有考慮社交網(wǎng)絡(luò)中的社會(huì)信息，使得推薦質(zhì)量不高，不能有效篩選出滿足用戶需求的項(xiàng)目和商品。 針對(duì)上述問(wèn)題，本文重點(diǎn)研究用戶之間的信任關(guān)系、時(shí)間效應(yīng)和地理位置等因素對(duì)基于社交網(wǎng)絡(luò)的個(gè)性化推薦算法的影響，綜合多種上下文信息建立一種新的個(gè)性化推薦模型，提高用戶的滿意度，實(shí)現(xiàn)高質(zhì)量的個(gè)性化推薦。本論文的主要研究?jī)?nèi)容和研究成果總結(jié)如下： 1.針對(duì)傳統(tǒng)協(xié)同過(guò)濾推薦算法存在的缺陷，本文對(duì)矩陣分解技術(shù)進(jìn)行了深入的分析和探討，分析了特征向量維數(shù)對(duì)概率矩陣分解算法PMF推薦質(zhì)量和推薦效率的影響。由于PMF算法僅僅利用用戶-項(xiàng)目評(píng)分矩陣信息進(jìn)行推薦，沒(méi)有考慮用戶興趣偏好隨著時(shí)間的推移而可能發(fā)生變化，致使推薦準(zhǔn)確度不高。為此本文提出了融合時(shí)間效應(yīng)的概率矩陣分解算法TPMF。實(shí)驗(yàn)結(jié)果表明，TPMF算法擴(kuò)展性比較好，推薦精度比較高，能夠解決數(shù)據(jù)的稀疏性問(wèn)題。 2.針對(duì)社交網(wǎng)絡(luò)中基于信任關(guān)系的個(gè)性化推薦問(wèn)題，綜合考慮用戶之間的直接信任關(guān)系和間接信任關(guān)系、信任的傳播機(jī)制以及用戶之間的相似度等因素，本文提出一種綜合評(píng)價(jià)各種社會(huì)因素的推薦模型CETrust，該模型把信任關(guān)系和用戶之間的相似度融合到概率矩陣分解中去，對(duì)選擇到的信任用戶和目標(biāo)用戶的相同偏好進(jìn)行潛在因子特征分析。實(shí)驗(yàn)證明，相比一般的矩陣分解算法和基于用戶信任的個(gè)性化推薦方法，CETrust算法具有明顯的優(yōu)越性，能夠提高用戶的滿意度。 3.為了進(jìn)一步提高社交網(wǎng)絡(luò)中個(gè)性化推薦算法的準(zhǔn)確度，本文把信任傳播機(jī)制、時(shí)間序列信息和用戶-項(xiàng)目評(píng)分矩陣等信息融合到概率矩陣分解模型中去，建立了一種新的個(gè)性化推薦模型TrustSeqMF，該模型學(xué)習(xí)用戶和項(xiàng)目的潛在特征向量，考慮時(shí)間因素，處理信任關(guān)系，，即便用戶沒(méi)有對(duì)任何項(xiàng)目進(jìn)行評(píng)分，它也可以通過(guò)信任關(guān)系來(lái)學(xué)習(xí)用戶的特征向量。與已有的算法相比較，TrustSeqMF算法能夠更好地解決冷啟動(dòng)問(wèn)題，提高算法推薦的準(zhǔn)確度。通過(guò)對(duì)算法的時(shí)間復(fù)雜度分析，表明TrustSeqMF算法能夠比較容易地?cái)U(kuò)展到具有較大數(shù)據(jù)集的應(yīng)用場(chǎng)景。 4.針對(duì)當(dāng)前比較流行的移動(dòng)社交網(wǎng)絡(luò)，提出一種基于上下文感知的移動(dòng)社交網(wǎng)絡(luò)推薦模型CMSR，算法通過(guò)對(duì)移動(dòng)社交網(wǎng)絡(luò)中用戶之間潛在的社會(huì)關(guān)系進(jìn)行分析，將用戶的社會(huì)信息融入推薦算法，結(jié)合時(shí)間、地點(diǎn)等上下文因素來(lái)對(duì)用戶可能感興趣的位置進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)結(jié)果驗(yàn)證了算法的可行性，提高了移動(dòng)網(wǎng)絡(luò)環(huán)境下算法推薦的準(zhǔn)確度。 本文的創(chuàng)新點(diǎn)有以下幾點(diǎn)： 1.分析了社交網(wǎng)絡(luò)中的時(shí)間因素和信任關(guān)系對(duì)個(gè)性化推薦算法的影響，并把這些社會(huì)因素融入相應(yīng)的推薦算法中，提高推薦算法的準(zhǔn)確度和擴(kuò)展性。 2.針對(duì)移動(dòng)社交網(wǎng)絡(luò)環(huán)境下的個(gè)性化推薦問(wèn)題，提出一種融合地理位置和時(shí)間信息的個(gè)性化推薦方法，以使推薦結(jié)果更加符合移動(dòng)用戶的實(shí)際需求。 3.提出并實(shí)現(xiàn)了一種融合多源社會(huì)信息的社交網(wǎng)絡(luò)個(gè)性化推薦算法，實(shí)驗(yàn)結(jié)果證明了算法的優(yōu)越性。 本文通過(guò)對(duì)上述研究?jī)?nèi)容和創(chuàng)新點(diǎn)的討論，深入分析各種社會(huì)因素對(duì)社交網(wǎng)絡(luò)環(huán)境下個(gè)性化推薦算法準(zhǔn)確度的影響，建立綜合各種社會(huì)因素的推薦模型并應(yīng)用到實(shí)際推薦場(chǎng)景中。實(shí)驗(yàn)結(jié)果表明，所提出的算法能夠達(dá)到比較好的推薦精度，為進(jìn)一步研究社交網(wǎng)絡(luò)個(gè)性化推薦算法提供幫助。
【關(guān)鍵詞】：個(gè)性化推薦 協(xié)同過(guò)濾 信任關(guān)系 時(shí)間信息 社交網(wǎng)絡(luò)
【學(xué)位授予單位】：山東師范大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.3
【目錄】：

• 摘要7-9
• ABSTRACT9-12
• 第1章 緒論12-23
• 1.1 研究背景及意義12-14
• 1.1.1 研究背景12-13
• 1.1.2 研究意義13-14
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀14-18
• 1.2.1 國(guó)內(nèi)研究現(xiàn)狀15-17
• 1.2.2 國(guó)外研究現(xiàn)狀17-18
• 1.3 研究?jī)?nèi)容及貢獻(xiàn)18-21
• 1.3.1 研究思路與方法18-19
• 1.3.2 研究?jī)?nèi)容及框架19-21
• 1.3.3 本文的貢獻(xiàn)21
• 1.4 論文組織結(jié)構(gòu)21-23
• 第2章 融合時(shí)間效應(yīng)和概率矩陣分解技術(shù)的推薦算法23-38
• 2.1 引言23-25
• 2.2 相關(guān)工作25-26
• 2.3 基本的概率矩陣分解模型26-28
• 2.4 基于時(shí)間效應(yīng)的協(xié)同過(guò)濾算法研究28-31
• 2.4.1 時(shí)間權(quán)值的計(jì)算28-29
• 2.4.2 考慮時(shí)間效應(yīng)的協(xié)同過(guò)濾算法29-30
• 2.4.3 融合時(shí)間效應(yīng)和矩陣分解的推薦模型30-31
• 2.5 實(shí)驗(yàn)數(shù)據(jù)選取和算法評(píng)價(jià)指標(biāo)31-33
• 2.5.1 實(shí)驗(yàn)環(huán)境31
• 2.5.2 數(shù)據(jù)集簡(jiǎn)介31-32
• 2.5.3 評(píng)價(jià)指標(biāo)32-33
• 2.6 實(shí)驗(yàn)結(jié)果和分析33-37
• 2.6.1 實(shí)驗(yàn)方案33
• 2.6.2 維數(shù)對(duì) PMF 算法運(yùn)行時(shí)間的影響33-34
• 2.6.3 訓(xùn)練集和測(cè)試集上 RMSE 的比較34-35
• 2.6.4 維數(shù)對(duì)算法預(yù)測(cè)精度的影響35
• 2.6.5 對(duì)比實(shí)驗(yàn)35-36
• 2.6.6 算法性能分析36-37
• 2.7 本章小結(jié)37-38
• 第3章 基于社交網(wǎng)絡(luò)信任綜合評(píng)價(jià)的個(gè)性化推薦算法38-60
• 3.1 引言38-39
• 3.2 信任機(jī)制39-45
• 3.2.1 信任的定義40
• 3.2.2 信任網(wǎng)絡(luò)40-42
• 3.2.3 基于信任機(jī)制的個(gè)性化推薦系統(tǒng)工作原理42-43
• 3.2.4 信任度量的方法43-44
• 3.2.5 信任傳播的計(jì)算方法44-45
• 3.3 基于信任的推薦模型45-48
• 3.3.1 傳統(tǒng)的信任推薦模型45
• 3.3.2 經(jīng)典的評(píng)分預(yù)測(cè)方法45-47
• 3.3.3 基于概率矩陣分解的信任模型-RSTE47
• 3.3.4 基于信任推薦模型存在的問(wèn)題47-48
• 3.4 基于信任綜合評(píng)價(jià)的個(gè)性化推薦模型48-54
• 3.4.1 CETrust 模型的基本思想48-49
• 3.4.2 CETrust 模型中信任的計(jì)算49-50
• 3.4.3 CETrust 概率圖模型50-53
• 3.4.4 CETrust 算法設(shè)計(jì)流程53-54
• 3.5 實(shí)驗(yàn)結(jié)果和分析54-59
• 3.5.1 數(shù)據(jù)來(lái)源54
• 3.5.2 評(píng)價(jià)指標(biāo)54-55
• 3.5.3 實(shí)驗(yàn)參數(shù)的確定55-56
• 3.5.4 對(duì)比方法56-57
• 3.5.5 實(shí)驗(yàn)結(jié)果57-59
• 3.6 本章小結(jié)59-60
• 第4章 融合信任關(guān)系和時(shí)間序列的個(gè)性化推薦算法60-73
• 4.1 引言60-61
• 4.2 相關(guān)工作61-63
• 4.3 個(gè)性化推薦框架63-69
• 4.3.1 SocialMF 推薦模型63-64
• 4.3.2 SequentialMF 推薦模型64-65
• 4.3.3 TrustSeqMF 推薦模型65-68
• 4.3.4 復(fù)雜度分析68-69
• 4.4 實(shí)驗(yàn)結(jié)果和分析69-71
• 4.4.1 數(shù)據(jù)集描述69
• 4.4.2 評(píng)價(jià)標(biāo)準(zhǔn)69-70
• 4.4.3 結(jié)果比較70
• 4.4.4 參數(shù)分析70-71
• 4.5 本章小結(jié)71-73
• 第5章 基于上下文感知的移動(dòng)社交網(wǎng)絡(luò)個(gè)性化推薦算法73-85
• 5.1 引言73-74
• 5.2 相關(guān)工作74-75
• 5.3 基于上下文的移動(dòng)推薦模型和算法75-78
• 5.3.1 數(shù)據(jù)模型75-76
• 5.3.2 多維上下文移動(dòng)社會(huì)網(wǎng)絡(luò)推薦模型--CMSR76-77
• 5.3.3 CMSR 模型算法設(shè)計(jì)77-78
• 5.4 實(shí)驗(yàn)結(jié)果與分析78-83
• 5.4.1 數(shù)據(jù)集簡(jiǎn)介78
• 5.4.2 評(píng)價(jià)指標(biāo)78-79
• 5.4.3 用戶簽到行為分析79-83
• 5.4.4 推薦精度對(duì)比83
• 5.5 本章小結(jié)83-85
• 第6章 總結(jié)與展望85-87
• 6.1 論文總結(jié)85-86
• 6.2 研究展望86-87
• 參考文獻(xiàn)87-96
• 攻讀博士學(xué)位期間發(fā)表的部分學(xué)術(shù)論文96-97
• 攻讀博士學(xué)位期間主持與參與的科研項(xiàng)目97-98
• 致謝98-99

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 邢春曉;高鳳榮;戰(zhàn)思南;周立柱;;適應(yīng)用戶興趣變化的協(xié)同過(guò)濾推薦算法[J];計(jì)算機(jī)研究與發(fā)展;2007年02期

2 夏小伍;王衛(wèi)平;;基于信任模型的協(xié)同過(guò)濾推薦算法[J];計(jì)算機(jī)工程;2011年21期

3 王玉祥;喬秀全;李曉峰;孟洛明;;上下文感知的移動(dòng)社交網(wǎng)絡(luò)服務(wù)選擇機(jī)制研究[J];計(jì)算機(jī)學(xué)報(bào);2010年11期

4 喬秀全;楊春;李曉峰;陳俊亮;;社交網(wǎng)絡(luò)服務(wù)中一種基于用戶上下文的信任度計(jì)算方法[J];計(jì)算機(jī)學(xué)報(bào);2011年12期

5 楊長(zhǎng)春;孫婧;;用戶多興趣信任度的個(gè)性化推薦[J];計(jì)算機(jī)工程與應(yīng)用;2012年32期

6 賈冬艷;張付志;;基于雙重鄰居選取策略的協(xié)同過(guò)濾推薦算法[J];計(jì)算機(jī)研究與發(fā)展;2013年05期

7 郭磊;馬軍;陳竹敏;;一種信任關(guān)系強(qiáng)度敏感的社會(huì)化推薦算法[J];計(jì)算機(jī)研究與發(fā)展;2013年09期

8 陳克寒;韓盼盼;吳健;;基于用戶聚類的異構(gòu)社交網(wǎng)絡(luò)推薦算法[J];計(jì)算機(jī)學(xué)報(bào);2013年02期

9 郭磊;馬軍;陳竹敏;姜浩然;;一種結(jié)合推薦對(duì)象間關(guān)聯(lián)關(guān)系的社會(huì)化推薦算法[J];計(jì)算機(jī)學(xué)報(bào);2014年01期

10 曾春,邢春曉,周立柱;個(gè)性化服務(wù)技術(shù)綜述[J];軟件學(xué)報(bào);2002年10期

本文編號(hào)：519513