基于協(xié)同過濾的社會網(wǎng)絡(luò)推薦系統(tǒng)關(guān)鍵技術(shù)研究.pdf

1、當(dāng)今是一個(gè)信息過載的時(shí)代。用戶在面對眾多選擇時(shí)無所適從，此時(shí)個(gè)性化推薦系統(tǒng)搭建了從用戶到物品的橋梁，過濾掉和用戶無關(guān)、用戶不感興趣的信息，呈現(xiàn)在用戶面前的永遠(yuǎn)是用戶喜好的物品，解決了信息過載的問題。協(xié)同過濾算法是個(gè)性化推薦中最流行的算法。但是隨著在線社會網(wǎng)絡(luò)的不斷發(fā)展，由于社會網(wǎng)絡(luò)的復(fù)雜性和用戶反饋數(shù)據(jù)的稀疏性，傳統(tǒng)協(xié)同過濾在社會網(wǎng)絡(luò)環(huán)境下的推薦質(zhì)量并不高。
　　針對以上問題，本論文重點(diǎn)研究用戶相似度、信任關(guān)系、用戶認(rèn)知水平、用戶

2、影響力對推薦質(zhì)量的影響，提出了新的基于協(xié)同過濾的推薦算法，并在此基礎(chǔ)上給出了社會網(wǎng)絡(luò)推薦系統(tǒng)的原型設(shè)計(jì)。本論文的主要研究內(nèi)容和研究成果如下:
　　1.針對傳統(tǒng)相似性算法在數(shù)據(jù)稀疏時(shí)度量不準(zhǔn)確的情況，提出了一種基于評分差異的用戶相似性度量算法。根據(jù)修正后的信息熵函數(shù)計(jì)算出用戶之間的興趣相似度。該函數(shù)不但考慮了評分差異，而且考慮了評分期望以及共同評分?jǐn)?shù)對相似度的影響。最后將興趣相似度與社會相熟度加權(quán)作為用戶之間最終的相似度。通過對現(xiàn)實(shí)

3、數(shù)據(jù)的評估，發(fā)現(xiàn)該相似度在一定程度上緩解了數(shù)據(jù)稀疏帶來的影響，提高了推薦質(zhì)量。
　　2.根據(jù)真實(shí)數(shù)據(jù)的統(tǒng)計(jì)規(guī)律以及基于信任的推薦算法的實(shí)驗(yàn)結(jié)果分析，發(fā)現(xiàn)用戶的認(rèn)知水平對推薦有很大影響:當(dāng)用戶認(rèn)知水平較低時(shí)，加入信任關(guān)系對推薦質(zhì)量有很大的幫助，且與傳遞距離成反比;當(dāng)用戶認(rèn)識水平較高時(shí)，推薦質(zhì)量對信任關(guān)系不敏感，且傳遞距離增大時(shí)可以大幅提高推薦覆蓋率。通過以上發(fā)現(xiàn)，提出了一種基于用戶認(rèn)知水平的分類別推薦算法。該算法根據(jù)用戶認(rèn)知水平的不

4、同，賦予信任關(guān)系和興趣相似度不同的權(quán)重。實(shí)驗(yàn)結(jié)果表明，相對于傳統(tǒng)的信任推薦算法，該算法可以獲得更好的預(yù)測性能。
　　3.從社會網(wǎng)絡(luò)分析理論的兩大問題入手，對社會網(wǎng)絡(luò)中個(gè)體的重要性以及人與人之間的關(guān)系展開了深入的探討，并將其融入到基于矩陣分解的社會網(wǎng)絡(luò)推薦中，提出了基于用戶影響力和自適應(yīng)相似度的矩陣分解算法。衡量用戶影響力所采用的半局部算法，不僅考慮了用戶自身的影響力，而且考慮了聚類系數(shù)對信息傳播的影響。該算法將用戶相似度融入到矩陣

5、分解的迭代學(xué)習(xí)過程中，和用戶特征向量一并優(yōu)化，解決了用戶無共同評分項(xiàng)時(shí)無法直接度量相似度的問題。
　　4.在前幾章工作的基礎(chǔ)上，提出了社會網(wǎng)絡(luò)推薦系統(tǒng)的原型設(shè)計(jì)。該設(shè)計(jì)不僅考慮了傳統(tǒng)推薦系統(tǒng)的功能實(shí)現(xiàn)，而且將社會網(wǎng)絡(luò)信息——朋友圈——融入到推薦系統(tǒng)原型設(shè)計(jì)中。該模塊可以為推薦算法提供信任關(guān)系、用戶的度量信息、用戶與用戶之間的相似度等信息，同時(shí)還可以接受來自推薦算法的推薦，進(jìn)一步豐富用戶關(guān)聯(lián)關(guān)系。
　　本論文通過對用戶興趣、用