進(jìn)入大數(shù)據(jù)時(shí)代以來,個(gè)性化推薦算法受到廣泛的關(guān)注,不僅解決了信息過載的問題,并且從海量數(shù)據(jù)中挖掘出很多有用的信息。另一方面,社交平臺的發(fā)展,將人們緊緊地連接在一起,越來越多的平臺融入了社交屬性。而對于一個(gè)用戶而言,對其朋友的推薦可能會更加的感興趣和信賴,因此,用戶間的社交關(guān)系對推薦算法的準(zhǔn)確度有著舉足輕重的影響,將用戶社交信任和個(gè)性化推薦融合到一起來研究是很有必要,且很有意義的。為緩解傳統(tǒng)協(xié)同過濾推薦算法中數(shù)據(jù)稀疏給推薦準(zhǔn)確度帶來的影響,將信任關(guān)系融入到電影推薦中,基于用戶在電影評分?jǐn)?shù)據(jù)中的信任和在社交信息中的信任,通過動(dòng)態(tài)自適應(yīng)的綜合信任權(quán)重進(jìn)行線性融合,并結(jié)合概率矩陣分解模型,提出一種綜合多種信任關(guān)系的電影推薦算法（Multiple Trust-Probability Matrix Factorize,MT-PMF）。將該算法在電影數(shù)據(jù)集FilmTrust上進(jìn)行驗(yàn)證,并與相關(guān)算法進(jìn)行對比,結(jié)果表明MT-PMF評分預(yù)測的準(zhǔn)確性在MAE和RMSE指標(biāo)上均得到有效地改進(jìn)。本文的主要研究內(nèi)容如下:（1）根據(jù)用戶在歷史評分?jǐn)?shù)據(jù)間的相似性,將目標(biāo)用戶相似度均值作為選取興趣相似用戶的閾值,利用該... 

【文章來源】：河北大學(xué)河北省

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【部分圖文】：

FilmTrust評分?jǐn)?shù)據(jù)分布情況

中自身評分偏好的影響程度 ，梯度下降學(xué)習(xí)速率 及迭代次數(shù)d 。本節(jié)主要分析這些參數(shù)的變化，對 MT-PMF 電影推薦算法實(shí)驗(yàn)結(jié)果的影響。實(shí)驗(yàn)在 Filmtrust 數(shù)據(jù)集上進(jìn)行。在取值上， 取值{0.8, 0.9, 1.0, 1.1, 1.2, 1.3, 1.4, 1.5}，迭代次數(shù) 取值{10, 20, 30,40,50, 60, 70,80,90,100, 110, 120}，組合權(quán)重 取值{0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9,1.0}，系統(tǒng)共同評分電影數(shù)最大值設(shè)定{5, 6, 7, 8, 9, 10}。調(diào)參過程中，除了對上述參數(shù)的取值范圍進(jìn)行限定外，同時(shí)設(shè)定用戶特征矩陣和電影特征矩陣的維度為 5，用戶、電影的正則化因子U 和V 均為 0.001，學(xué)習(xí)速率 為 0.01。用于衡量依據(jù)用戶評分?jǐn)?shù)據(jù)推薦的可靠程度，該值設(shè)置的越小，表明用戶對評分可靠性要求的越為嚴(yán)格，考慮到評分?jǐn)?shù)據(jù)的稀疏性，將偏差閾值設(shè)定在 0.8-1.5 之間。取定 d 110， 0.6， 5maxn ， 0minn ，從圖 4-2 可以看出，隨著 的增大，RMSE和 MAE 的值呈下降趨勢，偏差閾值 在 1.4 時(shí)評分預(yù)測的精度最準(zhǔn)，RMSE 和 MAE 均取得最小值。為方便后續(xù)對其他參數(shù)的分析，設(shè)定 為 1.4。

(a) 組合權(quán)重對 RMSE 的影響 (b) 組合權(quán)重對 MAE 的影響圖 4-4 組合權(quán)重的影響圖 4-5 表示最大評分電影數(shù)maxn 對評分預(yù)測準(zhǔn)確性的影響。設(shè)定共同評分電影數(shù)的系統(tǒng)最大值和最小值，要依賴于評分?jǐn)?shù)據(jù)的分布情況，當(dāng)評分?jǐn)?shù)據(jù)的稀疏程度較強(qiáng)時(shí)，若將最小值設(shè)置過高，則會出現(xiàn)用戶間綜合信任度主要依賴于社交信任的情況，若將最大值設(shè)置的過低，則會降低社交信任的利用�？紤]到 FilmTrust 評分?jǐn)?shù)據(jù)的稀疏，在實(shí)驗(yàn)中首先確定minn 為 0， 取值{5, 6, 7, 8, 9, 10}，隨著 的增加，算法的 RMSE 和MAE 值也在不斷的增加，因此確定 的最優(yōu)值為 5。然后以 為 5，觀察 對算法的影響，領(lǐng) 的取值從 0 到 4，在 0 時(shí)算法的誤差最小，預(yù)測效果最好。

【參考文獻(xiàn)】：
期刊論文
[1]一種基于深度學(xué)習(xí)的混合推薦算法[J]. 曾旭禹,楊燕,王淑營,何太軍,陳劍波.  計(jì)算機(jī)科學(xué). 2019(01)
[2]融合社交信息的矩陣分解推薦方法研究綜述[J]. 劉華鋒,景麗萍,于劍.  軟件學(xué)報(bào). 2018(02)
[3]結(jié)合用戶聚類和評分偏好的推薦算法[J]. 高茂庭,段元波.  計(jì)算機(jī)應(yīng)用研究. 2018(08)
[4]基于圖和改進(jìn)K近鄰模型的高效協(xié)同過濾推薦算法[J]. 孟桓羽,劉真,王芳,徐家棟,張國強(qiáng).  計(jì)算機(jī)研究與發(fā)展. 2017(07)
[5]基于時(shí)序模型和矩陣分解的推薦算法[J]. 蔡海尼,牛冰慧,文俊浩,王喜賓.  計(jì)算機(jī)應(yīng)用研究. 2018(06)
[6]基于標(biāo)簽匹配的協(xié)同過濾推薦算法研究[J]. 馬婉貞,錢育蓉.  計(jì)算機(jī)技術(shù)與發(fā)展. 2017(07)
[7]一種融合用戶主題興趣與用戶行為的文檔推薦方法[J]. 張桂平,翟順龍,王裴巖.  中文信息學(xué)報(bào). 2017(03)
[8]聯(lián)合正則化的矩陣分解推薦算法[J]. 吳賓,婁錚錚,葉陽東.  軟件學(xué)報(bào). 2018(09)
[9]基于Logistic時(shí)間函數(shù)和用戶特征的協(xié)同過濾算法[J]. 趙文濤,成亞飛,王春春.  計(jì)算機(jī)應(yīng)用與軟件. 2017(02)
[10]社交網(wǎng)絡(luò)環(huán)境下基于信任的推薦算法[J]. 陳婷,朱青,周夢溪,王珊.  軟件學(xué)報(bào). 2017(03)



本文編號：3480033