在現(xiàn)代互聯(lián)網(wǎng)與大數(shù)據(jù)的沖擊下,數(shù)據(jù)規(guī)模增長迅速,用戶需求趨向于個(gè)性多樣,傳統(tǒng)的技術(shù)手段已然無法處理海量數(shù)據(jù)所帶來的超載問題。推薦算法作為數(shù)據(jù)挖掘中的一個(gè)重要分支,在面對(duì)大型數(shù)據(jù)處理上,有著緩解數(shù)據(jù)冗余的優(yōu)勢,不僅能從中挖掘出用戶感興趣的數(shù)據(jù),同時(shí)也給用戶推送有價(jià)值的長尾信息�；谟脩粜湃蔚耐扑]算法相比傳統(tǒng)推薦,引入信任輔助數(shù)據(jù),緩解數(shù)據(jù)稀疏,在一定程度上提升了算法性能。但多數(shù)研究并沒有深入分析到用戶間的信任關(guān)聯(lián)性,同時(shí)未考慮到信任動(dòng)態(tài)變化會(huì)影響到相似用戶的推薦精度問題。為此,本文提出一種間接信任的動(dòng)態(tài)計(jì)算模型,并設(shè)計(jì)以用戶間接信任為基礎(chǔ)的兩種推薦算法。本文的主要工作如下:（1）提出了一種間接信任的動(dòng)態(tài)計(jì)算模型。該模型主要引用牛頓冷卻定律,對(duì)間接信任融入時(shí)間衰減因子,并使用前后信任的變化差異值,來調(diào)整相似用戶計(jì)算因數(shù)據(jù)稀疏所帶來的偏差。（2）設(shè)計(jì)了一種基于用戶動(dòng)態(tài)信任及威爾遜排序的推薦算法。該算法采取間接信任的動(dòng)態(tài)計(jì)算模型計(jì)算信任變化,由信任變化值引入相似度計(jì)算;其次利用威爾遜排序算法干預(yù)Top-N列表,進(jìn)行推薦。實(shí)驗(yàn)結(jié)果表明,其設(shè)計(jì)的算法具有較好的效果。（3）設(shè)計(jì)了一種基于用戶間接信任... 

【文章來源】：長沙理工大學(xué)湖南省

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１推薦工作示意圖??由圖２．１可知，在收集數(shù)據(jù)部分，可以從各個(gè)渠道獲取用戶數(shù)據(jù)

）等。這些個(gè)性化推薦方法主要的特點(diǎn)是分析到每個(gè)用戶歷史興趣愛好或者每??個(gè)物品的屬性，通過數(shù)據(jù)相關(guān)處理，給用戶推薦感興趣的事物，由于用戶間的興趣不同，??所推薦的商品也就不一樣，有區(qū)別于非個(gè)性化推薦。??２．２」基于用戶的推薦算法??該類推薦算法在推薦領(lǐng)域內(nèi)屬于非常經(jīng)典的算法，它主要的集中點(diǎn)在用戶上，結(jié)合??本身數(shù)據(jù)處理機(jī)制，分析目標(biāo)用戶歷史興趣記錄，然后尋找到相似的用戶與其比較，最??后按照排序的高低給目標(biāo)推薦相似用戶感興趣的人或者物。其以用戶為中心的協(xié)同過濾??推薦算法示意圖如圖２．２所示：??Ｉｔｅｎｔｉ?Ｉｔｅｍ：?ｈｅｍ?ｊ?Ｉｔｅｍ，??＾?＾?４＾??Ｕｓｅｒ）?Ｕｓｅｒ２?Ｕｓｅｒ｝?Ｕｓｅｒ４??相髓度九一??圖２．２基于用戶的推薦示意圖??在圖２．２中，假設(shè)目標(biāo)用戶為ｔ／ｗｎ，其所感興趣的商品為／／ｅｍ／、／／ｅｍ２，用戶仏們??感興趣的商品為／／＾／、／Ｍｍ〗、／／ｅｗｊ、兩者交集的商品／／ｅｗ／、／／ｄ，總數(shù)債力２，而ｔＺｖｅｒ／??９??

用戶。??２．２．２基于內(nèi)容的推薦算法??這類算法恰恰與基于用戶推薦算法相反，其算法主要分析物品的內(nèi)容屬性，比如物??品的價(jià)格、大孝生產(chǎn)地、類型等，通過將新物品與目標(biāo)用戶感興趣的物品進(jìn)行相似比??較，并按照相似度大小，相近的物品依次排列起來，即ＴｏｐＮ排序表，由該表向目標(biāo)用??戶推薦相關(guān)物品。基于內(nèi)容的推薦算法注重點(diǎn)在物品上，沒有基于用戶推薦算法遇到的??新用戶即時(shí)更新處理的問題，由于物品保持時(shí)間長，算法對(duì)動(dòng)態(tài)性要求低，在進(jìn)行推薦??時(shí)可以較好地減少計(jì)算復(fù)雜，提高性能。其推薦示意如圖２．３所示：??，?、／??（?＿?Ｊ?＼?ｘ?相似程度??幢計(jì)覽?Ｉｔｅｍ，?＞＜Ｃ－?ｔ?ｈｅｍ５?＼?＼??＼?—?一＾似計(jì)爵相心計(jì)算???／?＼??＿飛１?）??Ｕｓｅｒ??圖２．３基于內(nèi)容推薦示意圖??如圖２．３可知，目標(biāo)用戶Ｃ／ｙｅｒ反饋過的物品有／／ｅｗ／、／／ｅｍ、／／ｅｗｊ，基于內(nèi)容推薦??算法將這些物品與商品庫中的／＆／＆、分別計(jì)算相似度，通過比較相似度的高低，??相似程度高的項(xiàng)目被默認(rèn)為用戶感興趣的物品。因此，推薦算法將／／ｅｗ５推薦給用戶??Ｕｓｅｒ。??２．２．３融合排序的推薦算法??傳統(tǒng)的推薦算法中，存在著一個(gè)主要問題：算法本身忽略了用戶興趣偏好的多樣性，??且所采用評(píng)分?jǐn)?shù)據(jù)作為主要參考標(biāo)準(zhǔn)。這就容易造成推薦內(nèi)容的偏差，就比如針對(duì)電子??書評(píng)分來說：用戶ｄ對(duì)電子書ａ興趣大，其屬于懸疑書籍，對(duì)電子書ｂ科幻題材只是初??步涉獵，用戶分別評(píng)出４分和５分，但用戶保留的歷史記錄中僅懸疑類題材居多。采用??１０??


本文編號(hào)：3112278