基于核方法與社會(huì)關(guān)系挖掘的個(gè)性化推薦算法研究.pdf

1、信息技術(shù)的發(fā)展使人們可獲取的信息快速增長(zhǎng)，同時(shí)，信息的大量呈現(xiàn)也使得信息過載問題隨之而來。為了幫助用戶在大量的信息中發(fā)現(xiàn)符合其需求或者興趣的內(nèi)容，個(gè)性化推薦技術(shù)應(yīng)運(yùn)而生并蓬勃發(fā)展起來。傳統(tǒng)的推薦算法利用觀測(cè)到的數(shù)據(jù)估計(jì)用戶的興趣模型，進(jìn)而利用該興趣模型為用戶產(chǎn)生推薦結(jié)果。實(shí)際應(yīng)用中更多地應(yīng)用向量模型作為用戶興趣模型，然而向量模型無法體現(xiàn)用戶興趣的多模性等特征；此外，推薦系統(tǒng)往往會(huì)面臨數(shù)據(jù)稀疏等問題的挑戰(zhàn)，導(dǎo)致推薦精度不高。如何能夠更好地

2、從已有數(shù)據(jù)中挖掘用戶興趣以及利用更多的其他數(shù)據(jù)幫助建立更準(zhǔn)確的用戶興趣模型是本文工作的出發(fā)點(diǎn)。
　　 首先，提出了一種基于核方法的User-based協(xié)同過濾推薦算法(KUCF)，該方法能夠充分挖掘用戶在未評(píng)分項(xiàng)目上的興趣分布，進(jìn)而可以建立更符合實(shí)際情況的用戶興趣模型。通過估計(jì)兩個(gè)用戶興趣分布的相似性，建立了用戶之間的興趣相似性度量，同時(shí)也確立了協(xié)同過濾中的用戶鄰居集。根據(jù)此鄰居集便可以通過一定的評(píng)分預(yù)測(cè)規(guī)則為用戶進(jìn)行評(píng)分預(yù)測(cè)，

3、也即完成推薦任務(wù)。實(shí)驗(yàn)結(jié)果表明，基于核方法的協(xié)同過濾推薦比傳統(tǒng)的協(xié)同過濾推薦在性能上有了明顯的提升，尤其在數(shù)據(jù)稀疏的情況下，本文所提出的方法能有穩(wěn)定的系統(tǒng)輸出。
　　 其次，提出了一種基于社會(huì)關(guān)系挖掘的圖書推薦算法。隨著互聯(lián)網(wǎng)的進(jìn)一步發(fā)展，社交網(wǎng)絡(luò)軟件(SNS)日益興起。通過社交網(wǎng)絡(luò)，人們產(chǎn)生了大量與其社會(huì)關(guān)系以及興趣相關(guān)的數(shù)據(jù)，利用該數(shù)據(jù)可以更方便直接地為用戶建立興趣模型。從這個(gè)角度出發(fā)，本文研究了基于SNS的圖書推薦算法，將

4、社會(huì)網(wǎng)絡(luò)與圖書推薦系統(tǒng)結(jié)合起來，通過標(biāo)簽向量的引入，建立基于標(biāo)簽向量的用戶興趣模型，從而避開了因評(píng)分?jǐn)?shù)據(jù)缺失所造成的數(shù)據(jù)稀疏問題。此外，我們還通過社會(huì)網(wǎng)絡(luò)軟件直接獲取了用戶的群體關(guān)系，依據(jù)社交網(wǎng)絡(luò)產(chǎn)生的用戶群體，實(shí)現(xiàn)了個(gè)性化的圖書推薦。
　　 最后，構(gòu)建了一個(gè)實(shí)用的個(gè)性化推薦系統(tǒng)，并基于此系統(tǒng)介紹了個(gè)性化推薦算法在實(shí)際系統(tǒng)中的應(yīng)用。將理論研究的成果應(yīng)用到實(shí)踐中時(shí)，往往需要根據(jù)實(shí)際情況對(duì)理論做必要地調(diào)整。本文介紹了相關(guān)的個(gè)性化推薦