從移動社會化電子商務推薦系統(tǒng)基本模型出發(fā),重點研究高維特征信息選擇、物品之間相似信任關(guān)系、用戶之間相似信任關(guān)系、用戶之間直接和間接信任傳播關(guān)系等關(guān)鍵技術(shù)。并結(jié)合基于內(nèi)容推薦算法中特征選擇算法和基于社會化協(xié)同過濾推薦算法（包括面向評分和面向排序）等領(lǐng)域研究成果進行深入研究。具體研究內(nèi)容和成果有以下幾點:1在移動社會化電子商務系統(tǒng)中的基于內(nèi)容推薦特征選擇方面:圍繞著如何從高維特征數(shù)據(jù)中篩選出高度相關(guān)、刪除無關(guān)和冗余的特征子集,展開相關(guān)研究,其研究成果如下:（1）提出基于近似馬爾科夫毯最大相關(guān)最小冗余特征選擇算法,該算法包括特征相關(guān)性排序和冗余特征刪除兩個階段:第1階段,利用最大相關(guān)最小冗余準則進行相關(guān)特征排序,并采用前向迭代搜索方法進行最優(yōu)特征選擇;第2階段采用近似馬爾科夫毯方法進行特征與標簽以及特征間依賴關(guān)系分析,將特征間相互依賴程度高特征進行刪除,保留能夠有較高區(qū)分能力特征組成最優(yōu)特征子集。由于該算法具有初期特征子集優(yōu)選能力,進一步提高分類學習算法泛化能力。（2）目前許多特征選擇算法都存在錯選冗余和無關(guān)特征的現(xiàn)象。由于過多的特征會減慢移動社會化電子商務內(nèi)容推薦的速度,并導致分類過度擬合... 

【文章來源】：北京郵電大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：127 頁

【學位級別】：博士

【部分圖文】：

圖１－２論文研究思路??⑵針對在移動電子商務環(huán)境中如何處理無關(guān)特征和冗余特征以及交互特征的問題

北京郵電大學工學博士學位論文???者參與的教育部項目基金編號：１９ＹＪＡ８７０００５涉及這方面研究）的時候，使用ＪＭＭＣ算法。??第二章基于移動社會化電子商務的近似馬爾科夫毯??＾?的ｍＲＭＲ特征選擇算法???第三章在移動社會化電子商務環(huán)境下聯(lián)合互信息的??＊［?特征選擇算法???第四章基于核心物品信任關(guān)系的移動社會化電子商??＾?務推薦算法???姑一冰、八￣?第五章融合多種信任關(guān)系的移動社會化電子商務推??第一章緒論?一??＾?薦算法?＿??????—？第八章總結(jié)和展望??第六章特定社交網(wǎng)絡環(huán)境下用戶影響力和信任關(guān)系??＇?］?的移動社會化電子商務推薦算法???第七章正則化的移動電子商務用戶信任排序推薦算??］??法???圖１－３論文撰寫框架??共同之處：第四章、第五章和第六章都以ＰＭＦ算法作為基礎(chǔ)框架，然后通過ＭＡＥ和ＲＭＳＥ??這兩個預測評分指標進行評分預測。不同之處：第四章利用物品之間社會化信任關(guān)系對移動??社會化電子商務進行推薦。第五章利用特定領(lǐng)域用戶間隱式和顯示信任關(guān)系對移動社會化電??子商務推薦。第六章針對在移動社會化電子商務環(huán)境推薦系統(tǒng)中，不同社交網(wǎng)反映不同用戶??的影響力和信任關(guān)系的推薦。第七章以ＢＰＲＭＦ算法作為基礎(chǔ)框架，然后通過Ｐｒｅｃｉｓｉｏｎ、ＭＡＰ??和ＮＤＣＧ這三個指標進行排序預測。最后，總結(jié)全文并進行展望（第八章）。??１０??

北京郵電大學工學博士學位論文???征排序；ＦＣＢＦ算法和ｎｍＲＭＲ算法都可以對特征進行排序和特征初眩比較以上４種算法??間優(yōu)劣的方式就是將以上４種算法所選的特征集合放在同一個分類器中逐次進行驗證。為保??證本實驗的公正性，實驗都對選擇出的特征集合不加限制，本文實驗的研究框架具體如圖２－１??所示。??？?ＦｕｌｌＳｅｔ?算法１?????—近鄰算法一｜??？?ＦＣＢＦ算法???數(shù)則化Ｉ??＾特，：選擇ｑ??—ｍＲＭＲ算法??樸素貝葉??＂＾ＺＺＺＺＩ－－?—斯??？?ｎｍＲＭＲ算法???圖２－１實驗的研究框架??表２－２￣表２－５分別是ＫＮＮ和Ｎａｉｖｅ?Ｂａｙｅｓ分類器在不同特征選擇算法前后的分類結(jié)果。??由表２－１和表２＿２可以看出，在ｓｐａｍｂａｓｅ數(shù)據(jù)集中，ｎｍＲＭＲ算法分類準確率略低于ｍＲＭＲ??算法，但是，在其他７個數(shù)據(jù)集上，ｎｍＲＭＲ算法均優(yōu)于ｍＲＭＲ算法。在８個數(shù)據(jù)集中，ｎｍＲＭＲ??算法比ｍＲＭＲ算法平均準確率提高了?０．４２％。由表２－３可以看出，ｎｍＲＭＲ算法比ｍＲＭＲ算??法平均特征子集數(shù)少了?５．?３７５個。由表２－４可以看出，ｎｍＲＭＲ算法和ｍＲＭＲ算法在??ｌｕｎｇ－ｃａｎｃｅｒ數(shù)據(jù)集上平均準確率相等外，在其他７個數(shù)據(jù)集上，ｎｍＲＭＲ算法均優(yōu)于ｍＲＭＲ??算法。在８個數(shù)據(jù)集中，ｎｍＲＭＲ算法比ｍＲＭＲ算法平均準確率提高了?１．１４％。由表２－５可??以看出，在８個數(shù)據(jù)集上選擇出的平均特征子集數(shù)，ｎｍＲＭＲ算法比ｍＲＭＲ算法少了?８．?３７５??個。由表２－２和表２－３可以看出，在８個數(shù)據(jù)集上選擇出的平均特征子集數(shù)，ｎｍＲＭＲ算法??比ＦＣＢＦ

【參考文獻】：
期刊論文
[1]耦合社會信任信息的矩陣分解協(xié)同過濾模型[J]. 蔣偉,秦志光.  電子科技大學學報. 2019(03)
[2]融合用戶信任度和相似度的基于核心用戶抽取的魯棒性推薦算法[J]. 趙明,閆寒,曹高峰,劉昕鴻.  電子與信息學報. 2019(01)
[3]電子商務網(wǎng)站社交因素對消費者電子口碑發(fā)布動機及意愿的影響[J]. 張琳,閆強,劉奕.  清華大學學報(自然科學版). 2018(09)
[4]基于偏好度特征構(gòu)造的個性化推薦算法[J]. 黃金超,張佳偉,陳寧,陳毅鴻,江文,李生紅.  上海交通大學學報. 2018(07)
[5]加入用戶對項目屬性偏好的奇異值分解推薦算法[J]. 魏港明,劉真,李林峰,張猛.  西安交通大學學報. 2018(05)
[6]簡化的Slope One在線評分預測算法[J]. 孫麗梅,李悅,Ejike Ifeanyi Michael,曹科研.  計算機應用. 2018(02)
[7]面向服務推薦的QoS成列協(xié)同排序算法[J]. 曹婧華,孔繁森,冉彥中.  吉林大學學報(工學版). 2018(01)
[8]基于多維特征差異的個性化學習資源推薦方法[J]. 李浩君,張廣,王萬良,江波.  系統(tǒng)工程理論與實踐. 2017(11)
[9]一種基于協(xié)同矩陣分解的用戶冷啟動推薦算法[J]. 高玉凱,王新華,郭磊,陳竹敏.  計算機研究與發(fā)展. 2017(08)
[10]一種改進的偏好融合組推薦方法[J]. 胡川,孟祥武,張玉潔,杜雨露.  軟件學報. 2018(10)



本文編號：3135618