收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于协同过滤的社会网络推荐系统关键技术研究

程殿虎  
【摘要】:当今是一个信息过载的时代。用户在面对众多选择时无所适从,此时个性化推荐系统搭建了从用户到物品的桥梁,过滤掉和用户无关、用户不感兴趣的信息,呈现在用户面前的永远是用户喜好的物品,解决了信息过载的问题。协同过滤算法是个性化推荐中最流行的算法。但是随着在线社会网络的不断发展,由于社会网络的复杂性和用户反馈数据的稀疏性,传统协同过滤在社会网络环境下的推荐质量并不高。针对以上问题,本论文重点研究用户相似度、信任关系、用户认知水平、用户影响力对推荐质量的影响,提出了新的基于协同过滤的推荐算法,并在此基础上给出了社会网络推荐系统的原型设计。本论文的主要研究内容和研究成果如下:1.针对传统相似性算法在数据稀疏时度量不准确的情况,提出了一种基于评分差异的用户相似性度量算法。根据修正后的信息熵函数计算出用户之间的兴趣相似度。该函数不但考虑了评分差异,而且考虑了评分期望以及共同评分数对相似度的影响。最后将兴趣相似度与社会相熟度加权作为用户之间最终的相似度。通过对现实数据的评估,发现该相似度在一定程度上缓解了数据稀疏带来的影响,提高了推荐质量。2.根据真实数据的统计规律以及基于信任的推荐算法的实验结果分析,发现用户的认知水平对推荐有很大影响:当用户认知水平较低时,加入信任关系对推荐质量有很大的帮助,且与传递距离成反比;当用户认识水平较高时,推荐质量对信任关系不敏感,且传递距离增大时可以大幅提高推荐覆盖率。通过以上发现,提出了一种基于用户认知水平的分类别推荐算法。该算法根据用户认知水平的不同,赋予信任关系和兴趣相似度不同的权重。实验结果表明,相对于传统的信任推荐算法,该算法可以获得更好的预测性能。3.从社会网络分析理论的两大问题入手,对社会网络中个体的重要性以及人与人之间的关系展开了深入的探讨,并将其融入到基于矩阵分解的社会网络推荐中,提出了基于用户影响力和自适应相似度的矩阵分解算法。衡量用户影响力所采用的半局部算法,不仅考虑了用户自身的影响力,而且考虑了聚类系数对信息传播的影响。该算法将用户相似度融入到矩阵分解的迭代学习过程中,和用户特征向量一并优化,解决了用户无共同评分项时无法直接度量相似度的问题。4.在前几章工作的基础上,提出了社会网络推荐系统的原型设计。该设计不仅考虑了传统推荐系统的功能实现,而且将社会网络信息一一朋友圈一一融入到推荐系统原型设计中。该模块可以为推荐算法提供信任关系、用户的度量信息、用户与用户之间的相似度等信息,同时还可以接受来自推荐算法的推荐,进一步丰富用户关联关系。本论文通过对用户兴趣、用户评分规律以及社会网络的分析,深入研究了社会网络推荐的各种关键技术,例如用户相似度、信任关系、用户认知水平、用户影响力,建立了用户在社会网络环境下的兴趣模型,提出了可靠的个性化推荐算法,并给出了社会网络推荐系统的原型设计,为进一步实现高质量个性化推荐提供了有益参考。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 杨风召;;一种基于特征表的协同过滤算法[J];计算机工程与应用;2007年06期
2 王岚;翟正军;;基于时间加权的协同过滤算法[J];计算机应用;2007年09期
3 曾子明;张李义;;基于多属性决策和协同过滤的智能导购系统[J];武汉大学学报(工学版);2008年02期
4 张富国;;用户多兴趣下基于信任的协同过滤算法研究[J];小型微型计算机系统;2008年08期
5 侯翠琴;焦李成;张文革;;一种压缩稀疏用户评分矩阵的协同过滤算法[J];西安电子科技大学学报;2009年04期
6 廖新考;;基于用户特征和项目属性的混合协同过滤推荐[J];福建电脑;2010年07期
7 沈磊;周一民;李舟军;;基于心理学模型的协同过滤推荐方法[J];计算机工程;2010年20期
8 徐红;彭黎;郭艾寅;徐云剑;;基于用户多兴趣的协同过滤策略改进研究[J];计算机技术与发展;2011年04期
9 焦晨斌;王世卿;;基于模型填充的混合协同过滤算法[J];微计算机信息;2011年11期
10 郑婕;鲍海琴;;基于协同过滤推荐技术的个性化网络教学平台研究[J];科技风;2012年06期
11 宋纬华;田元;;基于蚁群算法的协同过滤推荐技术[J];农业图书情报学刊;2013年08期
12 康钟荣;;基于项目特征分类与填充的协同过滤算法研究[J];河南科技;2013年12期
13 李改;李磊;;基于双向主题模型的协同过滤算法[J];中山大学学报(自然科学版);2013年05期
14 冷亚军;陆青;梁昌勇;;协同过滤推荐技术综述[J];模式识别与人工智能;2014年08期
15 卢竹兵;唐雁;;一种基于信任网络的协同过滤推荐策略[J];西南师范大学学报(自然科学版);2008年02期
16 张付志;张启凤;;融合多系统用户信息的协同过滤算法[J];计算机工程;2009年21期
17 陈逸;于洪;;一种基于相同评分矩阵的协同过滤补值算法[J];计算机应用研究;2009年12期
18 周丽娟;徐明升;张研研;张璋;;基于协同过滤的课程推荐模型[J];计算机应用研究;2010年04期
19 刘淇;陈恩红;;结合二部图投影与排序的协同过滤[J];小型微型计算机系统;2010年05期
20 董全德;;基于双信息源的协同过滤算法研究[J];合肥工业大学学报(自然科学版);2010年07期
中国重要会议论文全文数据库 前10条
1 沈杰峰;杜亚军;唐俊;;一种基于项目分类的协同过滤算法[A];第二十二届中国数据库学术会议论文集(技术报告篇)[C];2005年
2 周军锋;汤显;郭景峰;;一种优化的协同过滤推荐算法[A];第二十一届中国数据库学术会议论文集(研究报告篇)[C];2004年
3 董全德;;基于双信息源的协同过滤算法研究[A];全国第20届计算机技术与应用学术会议(CACIS·2009)暨全国第1届安全关键技术与应用学术会议论文集(上册)[C];2009年
4 张光卫;康建初;李鹤松;刘常昱;李德毅;;面向场景的协同过滤推荐算法[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年
5 李建国;姚良超;汤庸;郭欢;;基于认知度的协同过滤推荐算法[A];第26届中国数据库学术会议论文集(B辑)[C];2009年
6 王明文;陶红亮;熊小勇;;双向聚类迭代的协同过滤推荐算法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年
7 胡必云;李舟军;王君;;基于心理测量学的协同过滤相似度方法(英文)[A];NDBC2010第27届中国数据库学术会议论文集(B辑)[C];2010年
8 林丽冰;师瑞峰;周一民;李月雷;;基于双聚类的协同过滤推荐算法[A];2008'中国信息技术与应用学术论坛论文集(一)[C];2008年
9 罗喜军;王韬丞;杜小勇;刘红岩;何军;;基于类别的推荐——一种解决协同推荐中冷启动问题的方法[A];第二十四届中国数据库学术会议论文集(研究报告篇)[C];2007年
10 黄创光;印鉴;汪静;刘玉葆;王甲海;;不确定近邻的协同过滤推荐算法[A];NDBC2010第27届中国数据库学术会议论文集A辑一[C];2010年
中国博士学位论文全文数据库 前10条
1 纪科;融合上下文信息的混合协同过滤推荐算法研究[D];北京交通大学;2016年
2 程殿虎;基于协同过滤的社会网络推荐系统关键技术研究[D];中国海洋大学;2015年
3 李聪;电子商务推荐系统中协同过滤瓶颈问题研究[D];合肥工业大学;2009年
4 郭艳红;推荐系统的协同过滤算法与应用研究[D];大连理工大学;2008年
5 罗恒;基于协同过滤视角的受限玻尔兹曼机研究[D];上海交通大学;2011年
6 薛福亮;电子商务协同过滤推荐质量影响因素及其改进机制研究[D];天津大学;2012年
7 高旻;基于计算语用学和项目的资源协同过滤推荐研究[D];重庆大学;2010年
8 孔维梁;协同过滤推荐系统关键问题研究[D];华中师范大学;2013年
9 沈磊;心理学模型与协同过滤集成的算法研究[D];北京航空航天大学;2010年
10 孙小华;协同过滤系统的稀疏性与冷启动问题研究[D];浙江大学;2005年
中国硕士学位论文全文数据库 前10条
1 邹腾飞;基于多特征融合的混合协同过滤算法研究[D];西南大学;2015年
2 于钰雯;基于项目凝聚层次聚类的协同过滤推荐算法研究[D];辽宁大学;2015年
3 杜文刚;基于多属性评分的协同过滤推荐算法研究[D];辽宁大学;2015年
4 揭正梅;基于协同过滤的高校个性化就业推荐系统研究[D];昆明理工大学;2015年
5 高慧敏;融合占有度的时间遗忘协同过滤混合推荐算法研究[D];燕山大学;2015年
6 苏靖涵;面向SaaS多租户的动态推荐方法研究[D];辽宁大学;2015年
7 徐晓妮;基于人工鱼群算法的协同过滤推荐算法研究[D];辽宁大学;2015年
8 罗培;移动购物导购关键技术的研究与系统实现[D];西南交通大学;2015年
9 李婧;融合用户差异度及信息熵的协同过滤推荐算法[D];西安建筑科技大学;2015年
10 乐柱;基于误差反馈的协同过滤算法[D];华南理工大学;2015年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978