社交網(wǎng)絡(luò)中個(gè)性化推薦模型及算法研究.pdf

1、隨著社交網(wǎng)絡(luò)的快速發(fā)展，網(wǎng)絡(luò)上評(píng)分信息迅速增加，用戶要從如此浩瀚的數(shù)據(jù)海洋中獲取所需要的信息變得越來越困難，搜索引擎技術(shù)對(duì)所有用戶給出相同的搜索結(jié)果，為了滿足用戶的個(gè)性化服務(wù)需求，各種推薦系統(tǒng)不斷出現(xiàn)。目前的推薦算法存在很多局限性，傳統(tǒng)的協(xié)同過濾推薦算法由于沒有考慮社交網(wǎng)絡(luò)中的社會(huì)信息，使得推薦質(zhì)量不高，不能有效篩選出滿足用戶需求的項(xiàng)目和商品。
　　針對(duì)上述問題，本文重點(diǎn)研究用戶之間的信任關(guān)系、時(shí)間效應(yīng)和地理位置等因素對(duì)基于社交網(wǎng)

2、絡(luò)的個(gè)性化推薦算法的影響，綜合多種上下文信息建立一種新的個(gè)性化推薦模型，提高用戶的滿意度，實(shí)現(xiàn)高質(zhì)量的個(gè)性化推薦。本論文的主要研究?jī)?nèi)容和研究成果總結(jié)如下：
　　1.針對(duì)傳統(tǒng)協(xié)同過濾推薦算法存在的缺陷，本文對(duì)矩陣分解技術(shù)進(jìn)行了深入的分析和探討，分析了特征向量維數(shù)對(duì)概率矩陣分解算法 PMF推薦質(zhì)量和推薦效率的影響。由于PMF算法僅僅利用用戶-項(xiàng)目評(píng)分矩陣信息進(jìn)行推薦，沒有考慮用戶興趣偏好隨著時(shí)間的推移而可能發(fā)生變化，致使推薦準(zhǔn)確度不高

3、。為此本文提出了融合時(shí)間效應(yīng)的概率矩陣分解算法TPMF。實(shí)驗(yàn)結(jié)果表明，TPMF算法擴(kuò)展性比較好，推薦精度比較高，能夠解決數(shù)據(jù)的稀疏性問題。
　　2.針對(duì)社交網(wǎng)絡(luò)中基于信任關(guān)系的個(gè)性化推薦問題，綜合考慮用戶之間的直接信任關(guān)系和間接信任關(guān)系、信任的傳播機(jī)制以及用戶之間的相似度等因素，本文提出一種綜合評(píng)價(jià)各種社會(huì)因素的推薦模型 CETrust，該模型把信任關(guān)系和用戶之間的相似度融合到概率矩陣分解中去，對(duì)選擇到的信任用戶和目標(biāo)用戶的相同偏

4、好進(jìn)行潛在因子特征分析。實(shí)驗(yàn)證明，相比一般的矩陣分解算法和基于用戶信任的個(gè)性化推薦方法，CETrust算法具有明顯的優(yōu)越性，能夠提高用戶的滿意度。
　　3.為了進(jìn)一步提高社交網(wǎng)絡(luò)中個(gè)性化推薦算法的準(zhǔn)確度，本文把信任傳播機(jī)制、時(shí)間序列信息和用戶-項(xiàng)目評(píng)分矩陣等信息融合到概率矩陣分解模型中去，建立了一種新的個(gè)性化推薦模型TrustSeqMF，該模型學(xué)習(xí)用戶和項(xiàng)目的潛在特征向量，考慮時(shí)間因素，處理信任關(guān)系，即便用戶沒有對(duì)任何項(xiàng)目進(jìn)行評(píng)分

5、，它也可以通過信任關(guān)系來學(xué)習(xí)用戶的特征向量。與已有的算法相比較，TrustSeqMF算法能夠更好地解決冷啟動(dòng)問題，提高算法推薦的準(zhǔn)確度。通過對(duì)算法的時(shí)間復(fù)雜度分析，表明 TrustSeqMF算法能夠比較容易地?cái)U(kuò)展到具有較大數(shù)據(jù)集的應(yīng)用場(chǎng)景。
　　4.針對(duì)當(dāng)前比較流行的移動(dòng)社交網(wǎng)絡(luò)，提出一種基于上下文感知的移動(dòng)社交網(wǎng)絡(luò)推薦模型CMSR，算法通過對(duì)移動(dòng)社交網(wǎng)絡(luò)中用戶之間潛在的社會(huì)關(guān)系進(jìn)行分析，將用戶的社會(huì)信息融入推薦算法，結(jié)合時(shí)間、地

6、點(diǎn)等上下文因素來對(duì)用戶可能感興趣的位置進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)結(jié)果驗(yàn)證了算法的可行性，提高了移動(dòng)網(wǎng)絡(luò)環(huán)境下算法推薦的準(zhǔn)確度。
　　本文的創(chuàng)新點(diǎn)有以下幾點(diǎn)：
　　1.分析了社交網(wǎng)絡(luò)中的時(shí)間因素和信任關(guān)系對(duì)個(gè)性化推薦算法的影響，并把這些社會(huì)因素融入相應(yīng)的推薦算法中，提高推薦算法的準(zhǔn)確度和擴(kuò)展性。
　　2.針對(duì)移動(dòng)社交網(wǎng)絡(luò)環(huán)境下的個(gè)性化推薦問題，提出一種融合地理位置和時(shí)間信息的個(gè)性化推薦方法，以使推薦結(jié)果更加符合移動(dòng)用戶的實(shí)際需求。<