融合社會(huì)關(guān)系的資源推薦方法研究.pdf

1、隨著Internet的發(fā)展,網(wǎng)站在為用戶提供越來(lái)越多信息的同時(shí),其結(jié)構(gòu)也變得更加復(fù)雜,如何及時(shí)地在網(wǎng)絡(luò)上的海量信息中發(fā)現(xiàn)所需要的信息已經(jīng)變得越來(lái)越困難。用戶經(jīng)常會(huì)迷失在Web提供的大量信息中;同時(shí),符合某部分用戶需求的Web也失去了與有價(jià)值用戶的聯(lián)系。因此,資源推薦系統(tǒng)的地位在Web2.0時(shí)代顯得尤為重要。
　　傳統(tǒng)的資源推薦系統(tǒng)以協(xié)同濾波為核心技術(shù),已經(jīng)受到了研究界的廣泛關(guān)注。其中,傳統(tǒng)的協(xié)同過(guò)濾技術(shù)是基于鄰域假設(shè)或者直接依賴于

2、一個(gè)學(xué)習(xí)模型。資源推薦可被視為一個(gè)矩陣完成過(guò)程,進(jìn)而能夠被制定為一個(gè)半正定規(guī)劃。需要指出的是傳統(tǒng)的資源推薦方法都是建立在一個(gè)基本假設(shè)之上,即用戶之間是獨(dú)立的并且忽略不同用戶之間的社會(huì)關(guān)聯(lián)。
　　為了解決這一問(wèn)題,若干糾正方案已被提出,其核心就是將社會(huì)關(guān)系信息融入資源推薦系統(tǒng)。即從傳統(tǒng)的資源推薦向融合了社會(huì)關(guān)系的社會(huì)推薦過(guò)渡。最初的社會(huì)推薦方法引入了一個(gè)系統(tǒng)的概率矩陣分解方法以充分考慮用戶興趣,該方法顯示了其在大量資料項(xiàng)遺失的大規(guī)模

3、數(shù)據(jù)集上的高標(biāo)準(zhǔn)性能水平。但是其不足之處在于,將社會(huì)信息直接融入用戶‐物品矩陣增加了優(yōu)化過(guò)程中的計(jì)算消耗,尤其是當(dāng)數(shù)據(jù)集有大量用戶‐信任關(guān)聯(lián)的時(shí)候。
　　當(dāng)前,更高級(jí)的社會(huì)推薦方法的研究已經(jīng)成為了研究領(lǐng)域的熱點(diǎn)問(wèn)題之一。與現(xiàn)有研究成果不同的是,本文使用的方法基于一個(gè)具有低計(jì)算復(fù)雜度特性的擴(kuò)展拉格朗日方法,構(gòu)造相應(yīng)的半正定規(guī)劃優(yōu)化問(wèn)題以平衡矩陣分解方法的性能。該方案的核心在于利用graphLaplacian明確用戶間的社會(huì)關(guān)系,并尋