傳統(tǒng)的協(xié)同過(guò)濾推薦算法使用用戶的歷史數(shù)據(jù)進(jìn)行推薦,容易面臨數(shù)據(jù)缺失和稀疏等問(wèn)題�；谀Ｐ偷膮f(xié)同過(guò)濾算法大大緩解了這些問(wèn)題,矩陣分解協(xié)同過(guò)濾算法就是其中之一,同時(shí),結(jié)合其他數(shù)據(jù)例入用戶社交信息來(lái)解決數(shù)據(jù)缺失問(wèn)題也被證實(shí)有著較好的改善效果。本文從結(jié)合社交信任的矩陣分解協(xié)同過(guò)濾算法出發(fā),研究了使用用戶信任關(guān)系緩解稀疏數(shù)據(jù)問(wèn)題中的用戶冷啟動(dòng)子問(wèn)題。TrustSVD算法作為基于信任的矩陣分解推薦算法,其將信任信息通過(guò)重表示與共享矩陣兩種方式融合在算法模型中,使其結(jié)果較其他同類算法更為精確。但算法僅考慮了用戶間的直接信任關(guān)系,且未考慮信任的動(dòng)態(tài)傳播特性。本文選擇從對(duì)信任傳播的研究出發(fā),通過(guò)加入用戶之間的弱連接信任關(guān)系豐富了稀疏的信任數(shù)據(jù)集,并基于信任的度量對(duì)用戶進(jìn)行了更加深入的挖掘。本文完成了以下兩部分工作:（1）基于弱連接信任提出改進(jìn)的W-TrustSVD算法:通過(guò)在用戶直接信任關(guān)系集上加入信任的間接傳播考察,構(gòu)建用戶弱連接信任定義,豐富用戶信任集的同時(shí),合理地構(gòu)建信任的綜合度量方法,并按綜合信任度量以比例篩選構(gòu)建出的最終用戶弱連接信任集合。通過(guò)加入弱連接信任集合對(duì)W-TrustSVD算法的進(jìn)行... 

【文章來(lái)源】：蘭州大學(xué)甘肅省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

推薦架構(gòu)模塊示意圖

蘭州大學(xué)碩士學(xué)位論文基于用戶信任關(guān)系的推薦算法研究8分主要包括：歷史用戶數(shù)據(jù)層、離線推薦引擎層、過(guò)濾線上推薦層和用戶行為反饋層。具體的系統(tǒng)設(shè)計(jì)根據(jù)每部分不同的實(shí)現(xiàn)原理，采用不同的方式將上述核心部分循環(huán)或串聯(lián)或混合式地組合起來(lái)。歷史用戶數(shù)據(jù)層通常包含商業(yè)平臺(tái)所收集到的歷史數(shù)據(jù)，如用戶的點(diǎn)擊、瀏覽、關(guān)注等，以及平臺(tái)的商品標(biāo)簽信息等，在一些系統(tǒng)中該層還包括在獲取數(shù)據(jù)后會(huì)對(duì)數(shù)據(jù)進(jìn)行初步特征提取處理等；離線推薦引擎層是使推薦差異化的核心所在，決定著整個(gè)推薦系統(tǒng)的理論準(zhǔn)確度，主要為使用進(jìn)行了特征工程的數(shù)據(jù)，經(jīng)過(guò)推薦算法模型計(jì)算得出初步推薦的物品集，在這一部分選擇的算法不同對(duì)于特征數(shù)據(jù)的要求也有所不同；過(guò)濾線上推薦層使用經(jīng)過(guò)離線推薦得出的初步推薦結(jié)果集，再對(duì)其進(jìn)行篩癬排序等操作以最終呈現(xiàn)給用戶，這一部分也常常包括將多種離線推薦引擎結(jié)果進(jìn)行融合得到最終推薦集的過(guò)程；用戶行為反饋層主要在最終推薦中起到循環(huán)改進(jìn)的效果，通過(guò)用戶對(duì)最終推薦的及時(shí)行為調(diào)整線上推薦的策略，以達(dá)到更精準(zhǔn)的個(gè)性化推薦效果。圖2-2為推薦系統(tǒng)流程示意圖，圖2-3為推薦系統(tǒng)詳細(xì)示意圖。圖2-2推薦系統(tǒng)流程示意圖

蘭州大學(xué)碩士學(xué)位論文基于用戶信任關(guān)系的推薦算法研究9圖2-3推薦系統(tǒng)詳細(xì)示意圖在線推薦策略則主要針對(duì)離線推薦結(jié)果進(jìn)行加工并展示給用戶，根據(jù)user-base和item-base產(chǎn)生的推薦結(jié)果通過(guò)合并去重、過(guò)濾、排序和補(bǔ)足等方式，有時(shí)還會(huì)將“用戶反辣放入這部分對(duì)結(jié)果進(jìn)行再次計(jì)算并調(diào)整，最后得到最終推薦結(jié)果。在線策略中的過(guò)濾、排序和補(bǔ)足等步驟所選擇的算法由于對(duì)即時(shí)性的要求往往在時(shí)間復(fù)雜度上追求最低，其中補(bǔ)足指在離線推薦所生成的結(jié)果太少無(wú)法滿足推薦頁(yè)面需求量時(shí)采用默認(rèn)值填充的做法。完成離線和在線兩部分計(jì)算后，最終結(jié)果將出現(xiàn)在用戶交互的UI界面中。最終部分有時(shí)會(huì)采取推薦解釋以對(duì)推薦原理進(jìn)行解釋，如“來(lái)自好友都喜歡的”、“來(lái)自購(gòu)買過(guò)/瀏覽過(guò)相似商品的用戶”等等，有研究顯示進(jìn)行推薦解釋可達(dá)到更好的推薦效果。2.1.2推薦系統(tǒng)數(shù)據(jù)組成推薦系統(tǒng)的數(shù)據(jù)是根本，其質(zhì)量決定著后續(xù)推薦的效果。電子商務(wù)的推薦數(shù)據(jù)來(lái)源可總結(jié)為線上和本地?cái)?shù)據(jù)兩部分，線上部分包括點(diǎn)擊、瀏覽、加購(gòu)等類似的歷史數(shù)據(jù)，本地?cái)?shù)據(jù)則記錄用戶的一些邊際信息和物品的各種屬性檔案，這兩個(gè)部分的數(shù)據(jù)都會(huì)或直接或經(jīng)過(guò)加工處理后存儲(chǔ)到數(shù)據(jù)庫(kù)中。所有的原始數(shù)據(jù)在經(jīng)過(guò)清洗后，將會(huì)通過(guò)特征工程最終被應(yīng)用于核心推薦算法中，特征工程會(huì)提取出算法所需的特征數(shù)據(jù)如物品的類目屬性、用戶的屬性及用戶物品關(guān)聯(lián)規(guī)則等，處理后的特征作為核心數(shù)據(jù)儲(chǔ)存于系統(tǒng)中。圖2-4為推薦系統(tǒng)綜合架構(gòu)圖解。


本文編號(hào)：2965922