基于信任關(guān)系的矩陣分解推薦模型研究.pdf

1、信息技術(shù)和互聯(lián)網(wǎng)的迅猛發(fā)展把人們帶入了信息時代，信息量增長迅速是這一時代的顯著特征。面對海量數(shù)據(jù)，用戶往往不能快速而有效地從這些信息中獲得對自己有用的信息，這就是大數(shù)據(jù)時代的“信息過載”問題。如何從大量信息中過濾出有價值的信息已經(jīng)成為業(yè)內(nèi)的研究熱點和亟待解決的問題。搜索引擎和推薦系統(tǒng)的出現(xiàn)在一定程度上解決了“信息過載”的問題。面對互聯(lián)網(wǎng)上日益增長的信息，被動地應(yīng)答用戶查詢的搜索引擎已經(jīng)不能完全滿足廣大用戶的需求。與搜索引擎的被動式應(yīng)答方

2、式不同，推薦系統(tǒng)可以根據(jù)用戶的興趣、行為、情景等信息，通過相關(guān)的推薦算法把用戶最可能感興趣的內(nèi)容主動地推薦給用戶，因此得到了廣泛的研究并取得了長足的發(fā)展。協(xié)同過濾推薦算法在推薦系統(tǒng)的發(fā)展過程中起到了重要的作用，這種算法在推薦系統(tǒng)領(lǐng)域得到了深入研究和廣泛使用。但傳統(tǒng)協(xié)同過濾推薦算法面臨著難以避免的數(shù)據(jù)稀疏及冷啟動等問題，這些問題嚴重影響了推薦的質(zhì)量，如何有效解決傳統(tǒng)協(xié)同過濾算法面臨的問題成為了業(yè)內(nèi)的研究熱點。近年來，隨著社交網(wǎng)絡(luò)的蓬勃發(fā)展

3、，大量的社交信息數(shù)據(jù)也隨之產(chǎn)生，因此有學者提出應(yīng)該充分挖掘社交信息的潛在價值，利用社交信息來改善推薦的效果。信任信息作為社交信息中的重要表現(xiàn)形式被引入到推薦算法中，許多基于信任的推薦算法也被相繼提出，這些算法從不同的角度緩解了數(shù)據(jù)稀疏和冷啟動問題，改善了推薦的效果，但這些算法也存在一定的問題，本文就進一步改善推薦算法的效果進行了以下兩方面的工作。
　　首先，針對推薦系統(tǒng)的評分預(yù)測任務(wù)，在SVD++模型和TrustMF模型的基礎(chǔ)上研

4、究了一種新的評分預(yù)測模型TMFSVD，該模型充分利用了SVD++模型和TrustMF模型的優(yōu)點，通過矩陣分解技術(shù)將評分信息和用戶信任關(guān)系聯(lián)系起來，綜合考慮了評分信息的顯隱式反饋和用戶信任關(guān)系對預(yù)測評分的影響。在3個被廣泛使用的真實數(shù)據(jù)集上的實驗表明，TMFSVD模型可以有效地緩解數(shù)據(jù)稀疏和冷啟動問題，且能提高評分預(yù)測的準確度。
　　其次，針對推薦系統(tǒng)的Top-N推薦任務(wù)，研究了一種基于信任關(guān)系的Top-N推薦模型TrecRank，