社會(huì)網(wǎng)絡(luò)環(huán)境下的個(gè)性化推薦算法研究.pdf

1、伴隨著社會(huì)網(wǎng)絡(luò)的日益普及，網(wǎng)絡(luò)商品與評(píng)分信息量迅猛增長(zhǎng)。用戶面對(duì)如此海量的數(shù)據(jù)無法進(jìn)行快速而準(zhǔn)確的選擇，個(gè)性化推薦系統(tǒng)正是在這樣的背景下提出的。傳統(tǒng)的推薦算法只是在用戶歷史數(shù)據(jù)的基礎(chǔ)上，根據(jù)其已有的評(píng)分信息為用戶提供二維推薦，在實(shí)際應(yīng)用中受到諸多限制，從而導(dǎo)致推薦質(zhì)量較低。針對(duì)以上問題，本文將社會(huì)網(wǎng)絡(luò)環(huán)境中的一些重要信息，如上下文環(huán)境、社會(huì)標(biāo)簽、信任關(guān)系等因素引入到個(gè)性化推薦系統(tǒng)中，從不同維度出發(fā)，全面分析個(gè)性化推薦算法在提升用戶滿意度

2、與推薦結(jié)果準(zhǔn)確度方面的積極作用。
　　本研究主要內(nèi)容包括：⑴提出了一種上下文感知的推薦模型（Contextual-based System，簡(jiǎn)稱CS推薦模型）。該模型使用具有較高學(xué)習(xí)精度的隨機(jī)決策樹方法將多種上下文信息有機(jī)結(jié)合，既保證了較低的算法復(fù)雜度，又提高了用戶偏好模型構(gòu)建的準(zhǔn)確度。該算法的主要思想是使用隨機(jī)劃分策略，對(duì)原始用戶-項(xiàng)目評(píng)分矩陣R進(jìn)行劃分，使得相似用戶或相似項(xiàng)目的評(píng)分被劃分到?jīng)Q策樹的相同結(jié)點(diǎn)中。實(shí)現(xiàn)了將具有相似上

3、下文的評(píng)分信息劃分到同一個(gè)組內(nèi)，且在相同組里的評(píng)分將會(huì)比在原始評(píng)分矩陣中的評(píng)分具有更高的相關(guān)性。通過上下文的過濾，可以提高用戶偏好模型構(gòu)建的準(zhǔn)確度，從而提高了推薦系統(tǒng)的準(zhǔn)確性。⑵綜合考慮以用戶和資源為中心的推薦算法實(shí)現(xiàn)對(duì)用戶進(jìn)行個(gè)性化的標(biāo)簽推薦。該方法將簡(jiǎn)單語言模型(LM)和潛在狄利克雷分配模型(LDA)相結(jié)合實(shí)現(xiàn)對(duì)新標(biāo)簽的正確性進(jìn)行評(píng)估。應(yīng)用LDA進(jìn)行標(biāo)簽推薦的優(yōu)勢(shì)在于能夠產(chǎn)生一些全新且用戶從未使用過的標(biāo)簽，進(jìn)而增加了標(biāo)簽推薦時(shí)用戶可

4、用的詞匯量，為用戶對(duì)資源進(jìn)行標(biāo)注時(shí)提供更精準(zhǔn)的標(biāo)簽信息。⑶結(jié)合用戶自身評(píng)分與用戶的社會(huì)信任關(guān)系構(gòu)建推薦模型，提出了一種基于信任關(guān)系的社會(huì)網(wǎng)絡(luò)推薦方法TSNR（Trust-based Social Network Recommendation）。該方法充分考慮到了不可信節(jié)點(diǎn)對(duì)基于信任度的社會(huì)網(wǎng)絡(luò)推薦系統(tǒng)帶來的負(fù)面影響，因此該算法首先通過計(jì)算信任網(wǎng)絡(luò)中節(jié)點(diǎn)的聲望值與偏見值來發(fā)現(xiàn)信任網(wǎng)絡(luò)中的不可信節(jié)點(diǎn)，并通過對(duì)其評(píng)分權(quán)重進(jìn)行弱化來減輕其對(duì)信任

5、網(wǎng)絡(luò)產(chǎn)生的負(fù)面影響。其次，鑒于用戶的喜好會(huì)受其朋友的影響，算法又利用朋友的信任矩陣對(duì)用戶自身的特征向量進(jìn)行修正，解決了用戶特征向量的精準(zhǔn)構(gòu)建及信任傳遞問題。同時(shí)為了實(shí)現(xiàn)修正誤差的最小化，算法通過帶有社會(huì)正則化約束的矩陣分解技術(shù)實(shí)現(xiàn)社會(huì)網(wǎng)絡(luò)推薦。實(shí)驗(yàn)通過在公開數(shù)據(jù)集上驗(yàn)證了TSNR算法的有效性，實(shí)驗(yàn)結(jié)果表明該算法較傳統(tǒng)的協(xié)同推薦算法有很大的改進(jìn)，特別是在用戶的評(píng)分項(xiàng)非常稀疏甚至缺失的數(shù)據(jù)集上該算法仍然能取得較高的推薦性能。⑷提出了一種融合

6、社會(huì)標(biāo)簽與信任關(guān)系的社會(huì)網(wǎng)絡(luò)推薦方法TTR（Tag-based and Trust-based Recommendation）。該方法在基于概率因式分解的基礎(chǔ)上集成了社會(huì)信任關(guān)系、項(xiàng)目標(biāo)簽信息以及用戶-項(xiàng)目評(píng)分矩陣。將這些不同維度的數(shù)據(jù)資源通過共享的用戶潛在特征空間（或項(xiàng)目潛在特征空間）相連接，通過基于概率矩陣的因式分解方法獲得低維的用戶潛在特征空間和項(xiàng)目潛在特征空間，從而實(shí)現(xiàn)了高效的社會(huì)網(wǎng)絡(luò)推薦。在公開數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，TTR算