基于隱變量模型的社會化推薦研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展，獲取數(shù)據(jù)的成本變得越來越低，隨之而來的問題就人們是面對海量的數(shù)據(jù)而無從下手，呈現(xiàn)出一種數(shù)據(jù)很多信息卻很少的矛盾。如何挖掘用戶的需求給用戶提供個性化的信息和服務逐漸成為一個重要的問題。個性化推薦系統(tǒng)在這樣的背景下應運而生，其解決的核心問題是根據(jù)用戶的歷史行為分析用戶的興趣偏好，并以此給用戶提供個性化的信息推薦。個性化推薦系統(tǒng)經(jīng)過多年的發(fā)展，在很多領(lǐng)域得到了廣泛的應用。
　　傳統(tǒng)的個性化推薦系統(tǒng)主要基于用戶和

2、物品的交互信息進行分析，而隨著近年來在線社交網(wǎng)絡的興起，利用人們在的在線社交網(wǎng)絡來優(yōu)化個性化推薦系統(tǒng)的社會化推薦系統(tǒng)逐漸受到重視。本文在傳統(tǒng)的推薦算法和社會化推薦算法研究的基礎(chǔ)之上，通過對社交關(guān)系中的信任關(guān)系進行研究，提出了一種基于信任的社會化推薦算法，并通過實驗驗證了該算法的有效性。本文的主要貢獻為：
　　1)提出了一種基于信任的社會化推薦模型，該模型基于傳統(tǒng)的隱變量模型，通過信任網(wǎng)絡的信任多面性，信任偏置和信任傳遞性、信任網(wǎng)絡

3、和評分網(wǎng)絡耦合對雙方帶來的影響進行建模，將用戶間的信任關(guān)系加入隱變量模型實現(xiàn)了對信任網(wǎng)絡和評分網(wǎng)絡更精確的刻畫，并將其組合到一個統(tǒng)一的優(yōu)化模型中。
　　2)從模型訓練和評分預測兩方面詳細的介紹了本文提出的推薦算法的模型求解和應用過程中涉及到的模型常量計算、評分預測、信任預測、梯度計算以及模型訓練算法，并分析了它們的時間復雜度。在模型訓練階段，采用一種簡單有效的自適應學習率更新策略，此方法能動態(tài)的在模型訓練過程中根據(jù)預測誤差實際情況

4、更新模型參數(shù)。
　　3)對本文提出的算法進行了實驗和分析。在FilmTrust、Epinions和Ciao三個數(shù)據(jù)集上進行了對比實驗，實驗結(jié)果表明本文提出的基于信任的社會化推薦算法的評分預測準確性高于傳統(tǒng)的基于隱變量模型的推薦算法和傳統(tǒng)的基于信任的社交推薦算法；通過在模型訓練階段采用固定學習率和采用自適應學習率訓練的模型進行對比實驗，驗證了本文采用的動態(tài)學習率策略的有效性；此外，講本文提出的算法在冷啟動用戶群上的推薦準確度進行了實