融合用戶信任與項(xiàng)目關(guān)系的社會(huì)化推薦算法研究.pdf

1、個(gè)性化推薦系統(tǒng)作為信息過濾的有效工具越來越受到人們的關(guān)注。因?yàn)樗軒椭脩魪拇罅康臄?shù)據(jù)中迅速查找出他們所需要的信息，目前已經(jīng)成為電子商務(wù)應(yīng)用的一個(gè)重要組成部分。在個(gè)性化推薦系統(tǒng)中，協(xié)同過濾是一種廣泛使用的推薦技術(shù)，這種推薦技術(shù)是根據(jù)志同道合的用戶的評(píng)級(jí)做出推薦，但是傳統(tǒng)的協(xié)同過濾算法通常都存在著數(shù)據(jù)稀疏和冷啟動(dòng)等問題，在實(shí)際應(yīng)用中推薦的準(zhǔn)確度欠佳。為了解決此問題，許多基于模型的協(xié)同過濾的推薦算法已經(jīng)提出并取得了不錯(cuò)的成果，其中，奇異值矩

2、陣分解（SVD）是近幾年被廣泛研究的一種高效的推薦技術(shù)。在Web2.0環(huán)境下，隨著社交網(wǎng)絡(luò)的廣泛應(yīng)用，傳統(tǒng)的矩陣分解推薦方法由于沒有考慮用戶的社交關(guān)系，因此難以取得理想的推薦結(jié)果。社會(huì)化推薦方法由于能夠結(jié)合社會(huì)網(wǎng)絡(luò)信息的特點(diǎn)來模擬真實(shí)社會(huì)的推薦過程，大大提高了推薦的準(zhǔn)確性。本文通過對(duì)國(guó)內(nèi)外協(xié)同過濾推薦算法的深入分析，在社會(huì)化推薦思想的指引下，提出了在傳統(tǒng)的矩陣分解推薦算法中融合用戶的社會(huì)信任信息和隱含項(xiàng)目關(guān)系兩種通用的策略。
　　

3、本文的主要工作包括以下幾個(gè)方面：
　　1.對(duì)傳統(tǒng)推薦系統(tǒng)的分類、評(píng)價(jià)指標(biāo)、存在的問題進(jìn)行了綜述，并重點(diǎn)闡述了基于模型的協(xié)同過濾推薦。然后論述了目前方興未艾的社會(huì)化推薦，結(jié)合社交網(wǎng)絡(luò)中的用戶社會(huì)關(guān)系與協(xié)同過濾中的項(xiàng)目關(guān)系引出本文的課題。
　　2.結(jié)合社交網(wǎng)絡(luò)的特點(diǎn)，基于用戶的偏好與社交網(wǎng)絡(luò)中的好友有直接的影響，以奇異值（SVD）矩陣分解模型為基礎(chǔ)，提出了融合直接朋友關(guān)系和偏置信息對(duì)矩陣分解進(jìn)行改進(jìn),構(gòu)建正則化模型。并通過在 F

4、lixster數(shù)據(jù)集上進(jìn)行大量的實(shí)驗(yàn)，驗(yàn)證了本文提出的算法與所比較的經(jīng)典方法在準(zhǔn)確度方面有較大的提升。
　　3.針對(duì)用戶對(duì)項(xiàng)目的評(píng)分不僅與自己的興趣有關(guān)，還與用戶的隱式評(píng)分、所信任朋友的興趣以及所評(píng)分的隱式項(xiàng)目有關(guān)。所以，本文對(duì)奇異值（SVD）矩陣分解模型進(jìn)行改進(jìn)，融合了社交網(wǎng)絡(luò)中的信任關(guān)系和隱式項(xiàng)目關(guān)系來構(gòu)建正則化模型，并使用隨機(jī)梯度下降法生成用戶的潛在特征和項(xiàng)目的潛在特征，以此為用戶推薦感興趣的項(xiàng)目。通過在Flixster、F