隨著大數(shù)據(jù)時(shí)代的到來(lái),互聯(lián)網(wǎng)上的信息飛速地增長(zhǎng),這在給人們更多選擇的同時(shí),也帶來(lái)了信息過(guò)載問(wèn)題。推薦系統(tǒng)就是在這種背景下產(chǎn)生的。融合社交網(wǎng)絡(luò)信息的社會(huì)化推薦算法是目前推薦系統(tǒng)中普遍采用的方法,而現(xiàn)有的社會(huì)化推薦算法都只考慮一種關(guān)系對(duì)推薦結(jié)果的影響。在現(xiàn)實(shí)的社交網(wǎng)絡(luò)中,用戶間存在多種關(guān)系,而每種關(guān)系對(duì)于推薦的影響是不同的,因此在推薦中單純引入某一種社交關(guān)系必然影響推薦結(jié)果的準(zhǔn)確率。為了探究用戶間的多種社交關(guān)系對(duì)推薦效果的影響,本文進(jìn)行了融合多關(guān)系的社會(huì)化推薦算法的研究,并在真實(shí)數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)和分析,具體的研究?jī)?nèi)容和研究成果如下:1.物質(zhì)擴(kuò)散算法是基于鄰域的協(xié)同過(guò)濾算法的一種。本文提出了基于多子網(wǎng)復(fù)合復(fù)雜網(wǎng)絡(luò)模型（簡(jiǎn)稱復(fù)合網(wǎng)）的物質(zhì)擴(kuò)散算法。采用復(fù)合網(wǎng)模型構(gòu)建了用戶商品評(píng)分網(wǎng)絡(luò)和用戶社交網(wǎng)絡(luò),并通過(guò)加載運(yùn)算把網(wǎng)絡(luò)轉(zhuǎn)化為空間向量,節(jié)點(diǎn)間的相互關(guān)系映射成空間向量中的多維向量,最終將這多個(gè)網(wǎng)絡(luò)融合成一個(gè)新的復(fù)合網(wǎng),通過(guò)物質(zhì)擴(kuò)散原理將目標(biāo)用戶所購(gòu)買商品的初始能量在新合成的復(fù)合網(wǎng)上傳播,根據(jù)傳播后商品獲得的最終能量大小,得出-商品推薦給用戶。通過(guò)實(shí)驗(yàn)對(duì)比得知,引入用戶間多種社交關(guān)系可以有效提高推... 

【文章來(lái)源】：青島大學(xué)山東省

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

推薦系統(tǒng)流程圖

青島大學(xué)碩士學(xué)位論文9圖2.2基于內(nèi)容的推薦算法的框架圖在基于內(nèi)容的推薦算法中，項(xiàng)目特征提取是十分關(guān)鍵的一步，項(xiàng)目特征提取的準(zhǔn)確度直接影響項(xiàng)目描述準(zhǔn)確度，進(jìn)而影響推薦的效果。TF-IDF[44]是一種常用的特征提取方法：,=,()公式2-(1)其中，TF是在文件中的詞頻，是逆向文件頻率，表示該詞對(duì)文本的重要程度。采用向量可以表示文件中的內(nèi)容:=(1,…,)公式2-(2)采用余弦公式計(jì)算不同特征向量間的相似度[45]：,=22公式2-(3)基于內(nèi)容的推薦算法有以下幾個(gè)優(yōu)點(diǎn)：(1)算法的可解釋性強(qiáng)。該算法主要是通過(guò)將用戶興趣特征和待推薦商品特征進(jìn)行匹配，將與用戶興趣特征相似的商品推薦給用戶。因此，被推薦的商品往往更符合用戶的興趣，具有良好的解釋性和說(shuō)服性。推薦結(jié)果的解釋性越強(qiáng)，用戶對(duì)推薦商品的接受度越高，推薦的效果就越好。

青島大學(xué)碩士學(xué)位論文11圖2.3基于用戶推薦的模型圖基于物品的協(xié)同過(guò)濾推薦算法依據(jù)用戶自身的喜好為其推薦符合其興趣愛好的商品。該算法主要思想是計(jì)算不同商品之間的相似度，找出與目標(biāo)用戶評(píng)分過(guò)商品相似的商品。假設(shè)目標(biāo)用戶對(duì)某類商品的評(píng)分很高，那么用戶很可能會(huì)喜與這個(gè)商品相似的其他商品[53]。如圖2.4，用戶3對(duì)商品A感興趣，同時(shí)商品A和商品C相似，那么推薦算法預(yù)測(cè)用戶3可能會(huì)對(duì)商品C感興趣，繼而商品C會(huì)被推薦給用戶3。圖2.4基于物品推薦的模型圖在基于用戶的和商品的協(xié)同過(guò)濾推薦算法中，計(jì)算用戶間或者商品間的相似度是十分重要的。以基于用戶的協(xié)同過(guò)濾推薦算法為例：該算法認(rèn)為評(píng)分相似的用戶具有相似的興趣，該算法主要流程是先獲取用戶對(duì)商品的評(píng)分信息，依據(jù)這些評(píng)分信息計(jì)算不同用戶之間的相似度，找到與目標(biāo)用戶

【參考文獻(xiàn)】：
期刊論文
[1]基于多關(guān)系社交網(wǎng)絡(luò)的協(xié)同過(guò)濾推薦算法[J]. 賓晟,孫更新.  計(jì)算機(jī)科學(xué). 2019(12)
[2]結(jié)合概率矩陣分解的混合型推薦算法[J]. 楊豐瑞,鄭云俊,張昌.  計(jì)算機(jī)應(yīng)用. 2018(03)
[3]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計(jì)算機(jī)學(xué)報(bào). 2018(07)
[4]基于融合卷積神經(jīng)網(wǎng)絡(luò)的協(xié)同過(guò)濾模型[J]. 楊錫慧.  軟件導(dǎo)刊. 2017(12)
[5]一種融合隱式信任關(guān)系的推薦算法[J]. 胡惠成,陳平華.  廣東工業(yè)大學(xué)學(xué)報(bào). 2017(03)
[6]融合社交網(wǎng)絡(luò)特征的協(xié)同過(guò)濾推薦算法[J]. 郭寧寧,王寶亮,侯永宏,常鵬.  計(jì)算機(jī)科學(xué)與探索. 2018(02)
[7]基于多子網(wǎng)復(fù)合復(fù)雜網(wǎng)絡(luò)模型的多關(guān)系社交網(wǎng)絡(luò)重要節(jié)點(diǎn)發(fā)現(xiàn)算法[J]. 賓晟,孫更新.  南京大學(xué)學(xué)報(bào)(自然科學(xué)). 2017(02)
[8]融合社交網(wǎng)絡(luò)的物質(zhì)擴(kuò)散推薦算法[J]. 鄧小方,鐘元生,呂琳媛,王明文,熊乃學(xué).  山東大學(xué)學(xué)報(bào)(理學(xué)版). 2017(03)
[9]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[10]融合社交網(wǎng)絡(luò)信息的協(xié)同過(guò)濾推薦算法[J]. 郭蘭杰,梁吉業(yè),趙興旺.  模式識(shí)別與人工智能. 2016(03)

博士論文
[1]多子網(wǎng)復(fù)合復(fù)雜網(wǎng)絡(luò)模型及其相關(guān)性質(zhì)的研究[D]. 隋毅.青島大學(xué) 2012

碩士論文
[1]基于多因素的矩陣分解推薦算法研究與實(shí)現(xiàn)[D]. 張文博.北京郵電大學(xué) 2019



本文編號(hào)：3245136