本文關鍵詞： 推薦系統(tǒng) 協(xié)同過濾 細粒度信任推導 最近鄰算法 矩陣分解　出處：《華東師范大學》2017年碩士論文　論文類型：學位論文

【摘要】：伴隨信息數(shù)量的高速增長,信息過載成為了當前互聯(lián)網(wǎng)環(huán)境下無法避免的問題,快速、準確地獲取有效信息變得越來越困難。推薦系統(tǒng)能夠有效地挖掘用戶特征、捕獲用戶興趣,并在對用戶偏好進行建模的基礎上主動為用戶提供個性化的信息過濾和商品推薦等服務。無論是在信息檢索還是電子商務領域,推薦系統(tǒng)已經成為應對信息過載,提升用戶滿意度的有效方法。協(xié)同過濾憑借其計算簡便以及推薦準確率高等優(yōu)勢,成為了應用最為廣泛的推薦技術之一。然而,其推薦性能在很大程度上受到了用戶反饋的稀疏性和冷啟動等問題的影響。社交網(wǎng)絡的出現(xiàn)和發(fā)展為推薦系統(tǒng)研究注入了新的活力,用戶不再被視作獨立的個體,他們通過社交關系彼此相連,相互影響。信任是社交關系的核心與關鍵,構建基于信任的社交推薦系統(tǒng),不僅能緩解用戶反饋稀疏、提高推薦的準確率和覆蓋率,也為用戶提供了更加可信的推薦結果,提高了系統(tǒng)安全性。本文圍繞如何進一步提升基于信任的社交推薦系統(tǒng)的性能,提出了一種綜合多種信任屬性的細粒度信任推導模型,并據(jù)此對協(xié)同過濾算法的兩類經典實現(xiàn)進行擴展,構建了基于細粒度信任推導的社交推薦模型。結合信任的傳遞性、相似性和多維性,我們構建了一個細粒度信任推導模型。首先,提出了一種基于關鍵用戶挖掘的單步信任傳播方法,并引入相似度模型進行推導優(yōu)化,擴展了信任網(wǎng)絡覆蓋率;接著,通過用戶間交互頻率和反饋進行信任粒度度量;最后,引入多維信任推導方法,利用影響信任關系的隱式因子對缺失的細粒度信任進行進一步推導。通過實驗,驗證了該信任推導模型能夠有效地解決社交關系稀疏及社交粒度單一等問題。以該信任推導模型為基礎,本文對最近鄰算法和隱語義模型進行擴展,提出了基于細粒度信任推導的近鄰模型NNST和社交聯(lián)合矩陣分解模型CMFST。通過多組對比實驗,驗證了本文提出的社交推薦模型能夠有效地解決傳統(tǒng)個性化推薦系統(tǒng)中存在的數(shù)據(jù)稀疏性和冷啟動等問題,在提高了推薦系統(tǒng)的覆蓋率的同時也為用戶提供了更加準確的社交推薦結果。
[Abstract]:With the rapid growth of the amount of information, information overload has become an unavoidable problem in the current Internet environment. It is becoming more and more difficult to obtain effective information accurately. Recommendation system can effectively mine user features and capture user interest. And on the basis of user preference modeling, it provides users with personalized information filtering and commodity recommendation services, whether in the field of information retrieval or e-commerce. Recommendation system has become an effective method to deal with information overload and improve user satisfaction. Collaborative filtering has the advantages of simple calculation and high recommendation accuracy. Has become one of the most widely used recommended technologies. The performance of recommendation is greatly affected by the problems of user feedback sparsity and cold startup. The emergence and development of social networks inject new vitality into the research of recommendation system. Users are no longer regarded as independent individuals, they are connected and influence each other through social relationships. Trust is the core and key of social relations. It can not only alleviate the sparse feedback of users, improve the accuracy and coverage of recommendations, but also provide users with more reliable recommendation results. This paper proposes a fine-grained trust derivation model based on multiple trust attributes, focusing on how to further improve the performance of trust based social recommendation system. Based on this, two classical implementations of collaborative filtering algorithm are extended, and a social recommendation model based on fine-grained trust derivation is constructed, which combines the transitivity, similarity and multi-dimension of trust. We construct a fine-grained trust derivation model. Firstly, a one-step trust propagation method based on key user mining is proposed, and the similarity model is introduced to derive and optimize the trust network coverage. Then, the granularity of trust is measured by the interaction frequency and feedback between users. Finally, the multi-dimensional trust derivation method is introduced to further deduce the missing fine-grained trust by using the implicit factors which affect the trust relationship. It is verified that the trust derivation model can effectively solve the problems of sparse social relationship and single social granularity. Based on the trust derivation model, this paper extends the nearest neighbor algorithm and hidden semantic model. The nearest neighbor model (NNST) based on fine-grained trust derivation and the social joint matrix decomposition model (CMFST) are proposed. It is verified that the proposed social recommendation model can effectively solve the problems of data sparsity and cold start in the traditional personalized recommendation system. It not only improves the coverage of recommendation system, but also provides users with more accurate social recommendation results.
【學位授予單位】：華東師范大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.3

【相似文獻】

相關期刊論文 前10條

1 王寧;鈔柯;羅嬪;;實現(xiàn)細粒度訪問控制的元模型研究[J];大連理工大學學報;2012年03期

2 孫偉;李艷靈;周文勇;;細粒度基于傳遞功能的約束委托模型[J];信陽師范學院學報(自然科學版);2013年03期

3 夏汛;陳玲;;基于攔截器的細粒度權限設計[J];福建電腦;2012年11期

4 歐陽純萍;陽小華;雷龍艷;徐強;余穎;劉志明;;多策略中文微博細粒度情緒分析研究[J];北京大學學報(自然科學版);2014年01期

5 史大偉;袁天偉;;一種粗細粒度結合的動態(tài)污點分析方法[J];計算機工程;2014年03期

6 原子;于莉莉;劉超;;引入缺陷的細粒度軟件變更識別方法[J];北京航空航天大學學報;2014年09期

7 戢彥泓,郭常杰,鐘玉琢,孫立峰;基于細粒度可擴展編碼的多源視頻流化方案[J];清華大學學報(自然科學版);2004年04期

8 涂登彪;譚光明;孫凝暉;;無鎖同步的細粒度并行介度中心算法[J];軟件學報;2011年05期

9 張宇軒;魏廷存;樊曉椏;張萌;;面向流體系的細粒度異步訪存調度[J];計算機應用研究;2012年03期

10 王寬;;基于細粒度調整的同步播放控制算法[J];山西電子技術;2008年05期

相關會議論文 前5條

1 葉蘊芳;楊榆;羅鑫;徐國愛;;Appfuse系統(tǒng)中細粒度權限控制的研究與實現(xiàn)[A];2007北京地區(qū)高校研究生學術交流會通信與信息技術會議論文集（上冊）[C];2008年

2 江偉玉;高能;劉澤藝;林雪燕;;一種云計算中的多重身份認證與授權方案[A];第27次全國計算機安全學術交流會論文集[C];2012年

3 郭磊;唐玉華;周杰;董亞卓;;基于FPGA的Cholesky分解細粒度并行結構與實現(xiàn)[A];2010年第16屆全國信息存儲技術大會（IST2010）論文集[C];2010年

4 李俊青;謝圣獻;劉廣亮;陳晨;;P2P網(wǎng)絡基于蟻群優(yōu)化的動態(tài)細粒度訪問控制框架[A];2008年全國開放式分布與并行計算機學術會議論文集(下冊)[C];2008年

5 盛振華;吳羽;江錦華;壽黎但;陳剛;;InfoSigs:一種面向WEB對象的細粒度聚類算法[A];第26屆中國數(shù)據(jù)庫學術會議論文集（A輯）[C];2009年

相關重要報紙文章 前2條

1 趙曉濤;巡展中的三大熱門[N];網(wǎng)絡世界;2007年

2 樂天邋編譯;編織一張更好的Web[N];計算機世界;2007年

相關博士學位論文 前4條

1 付興兵;基于屬性基加密的細粒度訪問控制機制研究[D];電子科技大學;2016年

2 時杰;關系數(shù)據(jù)庫細粒度訪問控制研究[D];華中科技大學;2010年

3 朱倩;面向自由文本的細粒度關系抽取的關鍵技術研究[D];江蘇大學;2011年

4 余a\;基于Simulink模型的細粒度多線程技術研究[D];浙江大學;2014年

相關碩士學位論文 前10條

1 趙黎光;基于依存句法的句子級細粒度情感計算[D];華南理工大學;2015年

2 李星宇;一種細粒度Cloud-RAN框架與關鍵技術研究[D];電子科技大學;2014年

3 酈麗珍;基于Open vSwitch虛擬網(wǎng)絡的細粒度訪問控制[D];復旦大學;2013年

4 姚亮;數(shù)據(jù)訪問控制中基于中間代理的用戶撤銷方法[D];西安電子科技大學;2014年

5 占文平;面向產品評論的情感分析技術研究[D];浙江工商大學;2015年

6 廖純;基于句法和語義的話題細粒度情感分析的研究[D];北京理工大學;2016年

7 李毅;屬性層級觀點挖掘技術的研究與應用[D];石家莊鐵道大學;2016年

8 周志華;聊天系統(tǒng)文本情感細粒度分類研究與應用[D];西南交通大學;2015年

9 康海蒙;基于細粒度監(jiān)控的Spark優(yōu)化研究[D];哈爾濱工業(yè)大學;2016年

10 張磊;細粒度意見挖掘研究[D];南京師范大學;2016年

，

本文編號：1463785