結合上下文和信任關系的推薦算法研究.pdf

1、隨著因特網不斷發(fā)展，網絡信息高速增長，這帶來了信息超載的問題，使得人們很難獲取有價值的信息。個性化推薦系統能夠很好地解決該問題，所以受到了越來越多的關注和研究。隨著網絡社區(qū)與個人智能移動終端的興起和普及，信任關系和上下文等很多有價值的信息能夠被推薦系統所使用。信任關系能夠有效提升推薦算法精度，上下文信息能夠提升推薦系統的個性化程度，推薦系統如果能更好的對這兩個信息加以利用，就能夠為用戶提供質量更高的推薦結果。研究者們對基于信任關系和基于

2、上下文的推薦系統做了很多研究，但對于同時結合上下文和信任關系的推薦算法研究還比較少。推薦系統使用的數據集通常包含上千萬條用戶信息和項目信息，如何提升面向海量數據的推薦算法效率也是本文的另一個重要研究內容。
　　為此，本文圍繞同時結合上下文和信任關系的矩陣分解推薦算法以及在MapReduce框架下的算法并行化展開研究。本文主要工作如下:
　　1.提出兩個結合上下文信息和信任關系的推薦算法Context-SocialMF和Tru

3、st-FMs，并通過信任值矩陣的動態(tài)學習進行自適應調整，以進一步改進推薦質量。
　　(1) Context-SocialMF基于上下文后過濾范式，主要思路是:1）使用基于信任值傳播的SocialMF算法得到初步推薦結果集合;2）使用上下文偏好提取算法提取用戶在當前上下文條件下的上下文偏好;3）采取最近位置優(yōu)先策略，使用用戶上下文偏好對初步推薦結果進行過濾，得到最終推薦結果。Trust-FMs將上下文相關算法FMs中的每個用戶特征使

4、用其好友的特征進行重構，將用戶與好友之間的信任值作為權重，這樣就把信任值關系加入了上下文相關推薦算法中。
　　(2)上述兩個算法使用事先給定的信任值，難以精確描述用戶間真實的信任關系。為此，本文構建信任值矩陣的優(yōu)化函數，并通過梯度下降法求解優(yōu)化函數，以此來動態(tài)學習好友間的信任關系，即動態(tài)自適應調整信任關系矩陣。這樣信任值矩陣更能反映出用戶間信任的強弱關系，以改進推薦質量。
　　2.研究Context-SocialMF和Tru