【摘要】：隨著信息技術的飛速發(fā)展,互聯(lián)網(wǎng)中的數(shù)據(jù)逐漸呈指數(shù)級增長,為了從海量數(shù)據(jù)中獲取有效信息,滿足不同用戶需求的推薦系統(tǒng)應運而生。近年來,推薦系統(tǒng)應用于社交網(wǎng)絡中推動服務發(fā)展的案例屢見不鮮,因此,開展如何將社交信息融入推薦系統(tǒng),提高面向社交網(wǎng)絡的群組推薦效果,已成為一個研究熱點。但是,目前大多數(shù)面向社交網(wǎng)絡的群組發(fā)現(xiàn)方法存在忽略用戶顯隱式偏好信息有機融合的問題,導致了群組劃分不合理。此外,社交網(wǎng)絡推薦系統(tǒng)大都只考慮用戶的歷史偏好,而忽略了用戶偏好的時間遷移性問題,最終給推薦結果帶來了或多或少的負面影響。針對以上問題,本文對面向社交網(wǎng)絡的群組發(fā)現(xiàn)和推薦開展研究,主要工作有:從群組發(fā)現(xiàn)角度,針對目前大多數(shù)面向社交網(wǎng)絡的群組發(fā)現(xiàn)方法中存在忽略用戶顯隱式偏好信息有機融合的問題,提出了一種基于多視圖學習的社交網(wǎng)絡群組發(fā)現(xiàn)方法。該方法首先根據(jù)用戶歷史活動信息提取多維度的用戶顯式偏好信息,采用動態(tài)主題模型動態(tài)生成和更新用戶偏好,然后,結合多視圖來融合用戶顯式偏好信息,為獲取更多的用戶信息,利用無監(jiān)督學習訓練得出隱式偏好信息,最后,利用用戶相似度矩陣劃分群組。通過仿真實驗對比得出該方法提高了群組內用戶的相似度和推薦的精確度,并降低了推薦的誤差率。從群組推薦角度,針對現(xiàn)有大多數(shù)面向社交網(wǎng)絡的群組推薦方法忽略了用戶偏好的時間遷移性問題,提出了一種基于深度學習的社交網(wǎng)絡群組推薦方法。該方法首先挖掘出用戶的歷史偏好信息,將偏好信息基于主題內容進行分層聚類,基于LDA主題模型獲取用戶偏好的主題分布,通過時間函數(shù)調整權重來動態(tài)獲取用戶偏好,然后,基于深度語義網(wǎng)絡提取用戶與推薦服務的特征,考慮到用戶的社交關系會影響用戶的服務選擇,本文建模了用戶間的交流過程,它被轉換為深度神經網(wǎng)絡來求解得出用戶服務評分,最后,根據(jù)組內成員的服務評分來完成群組推薦。仿真實驗的結果表明,該方法緩解了用戶偏好的靜態(tài)限制,提高了推薦的精度和準確率。本文基于以上方法理論,設計了面向社交網(wǎng)絡的群組推薦原型系統(tǒng),給出了一個模擬微博客戶端的群組服務推薦應用示范。詳細介紹了該系統(tǒng)的各組成部分、操作流程以及系統(tǒng)結構,驗證了本文所提出方法和理論的可行性,展示了基于多視圖學習的社交網(wǎng)絡群組發(fā)現(xiàn)方法和基于深度學習的社交網(wǎng)絡群組推薦方法在真實社交網(wǎng)絡下的推薦效果。該原型系統(tǒng)實現(xiàn)了本文方法理論和實際應用場景的友好結合,通過效果展示體現(xiàn)了其有效性與實用性。
【學位授予單位】：南京郵電大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.3;TP393.0
【圖文】：

利用組用戶之間的連接來挖掘服務-用戶對集合，然后，在其執(zhí)行協(xié)作過濾以生成基群體的推薦列表。之后，提出了一種新的聚合函數(shù)，將所有興趣子群體的推薦列表終的群推薦結果。 BP 神經網(wǎng)絡）BP 神經網(wǎng)絡BP(Backpropagation)神經網(wǎng)絡是一種多層的前饋神經網(wǎng)絡，其主要的特點是：信號播的，而誤差是反向傳播的[71-73]。具體來說，對于只含一個隱層的神經網(wǎng)絡模型：應為 n 個特征。BP 網(wǎng)絡是在輸入層與輸出層之間增加若干層(一層或多層)神經元，元稱為隱單元，它們與外界沒有直接的聯(lián)系，但其狀態(tài)的改變，則能影響輸入與輸關系，每一層可以有若干個節(jié)點。定義三層的 BP 神經網(wǎng)絡結構，如圖 2.1 所示：

u= u u. 方法如下，其中 代表群組對項目的預估值，向量 代表RMSE = √ ( ) . ）是表示改善推薦精度的百分比：a = . 與分析文所提出算法的性能，本文選擇與 TMLCD 算法[11]和 UISA分析。的方法與單視圖的方法進行推薦比較，用精度和召回率來評

名稱 關注 收藏 點贊 評論 共同朋友 標記數(shù)量 0.298 0.254 0.167 0.132 0.097 0.052表 3.3 推薦效果改善對比群組人數(shù) TMLCD UISA UMSVL50 1.96 2.56 3.02100 1.87 2.19 2.69200 2.26 1.95 2.57400 1.56 1.53 2.38500 1.48 1.37 2.06出了在不同群組規(guī)模下 3 種方法的推薦效果改善對比。從表 3 中可果優(yōu)于其它兩種方法。現(xiàn)方法精度及誤差對比結果如圖 3.2 和圖 3.3 所示：

【相似文獻】

相關期刊論文 前10條

1 陳健;周麗華;;大學生社交網(wǎng)絡自我表露的實證研究[J];高校輔導員學刊;2018年06期

2 譚洪旭;袁帥;代連奇;任利峰;;淺談社交網(wǎng)絡對當代大學生的影響[J];產業(yè)與科技論壇;2018年24期

3 孫夏卿;;社交網(wǎng)絡媒體對大學生賦權的價值體現(xiàn)[J];傳播力研究;2018年31期

4 張曉飛;;以社交網(wǎng)絡為基礎的企業(yè)營銷策略[J];商場現(xiàn)代化;2018年22期

5 孫國強;竇倩倩;張寶建;;西方社交網(wǎng)絡研究進展與未來展望[J];情報科學;2019年02期

6 陳文泰;李衛(wèi)東;;國際社交網(wǎng)絡中“國家實在”傳播與國家形象演化機制研究[J];新聞大學;2018年06期

7 孫晉;沈紅;;社交網(wǎng)絡群體性迷失現(xiàn)象分析[J];電腦知識與技術;2019年12期

8 鄧華闖;項yN麟;周楠;周子清;;社交網(wǎng)絡招聘有效性影響因素研究[J];中小企業(yè)管理與科技(上旬刊);2019年04期

9 王超瓊;陳s

本文編號：2774673