基于社會化網(wǎng)絡(luò)的好友推薦算法研究與應(yīng)用.pdf

1、好友推薦算法的研究與應(yīng)用是關(guān)于社會化網(wǎng)絡(luò)推薦的一個熱點(diǎn)問題。傳統(tǒng)的好友推薦算法有基于共同好友的推薦和基于物品的協(xié)同過濾推薦，雖然兩者的性能在特定的情景得到了業(yè)界認(rèn)可但仍存在不足，第一種算法對于新用戶存在“冷啟動”的問題，第二種算法存在評分?jǐn)?shù)據(jù)稀疏的問題。針對這些問題，本文對基于社會化網(wǎng)絡(luò)的好友推薦算法進(jìn)行了研究，提出了改進(jìn)算法且在實際應(yīng)用中獲得了較為顯著的效果。
　　首先，本文提出了兩個基于共同興趣的推薦算法。第一個方法是基于物品

2、的近鄰模型進(jìn)行好友推薦，根據(jù)用戶間的關(guān)注關(guān)系建立了用戶-物品評分矩陣，并使用歸一化方法對近鄰模型優(yōu)化。該算法不僅能夠解決冷啟動問題而且經(jīng)過優(yōu)化后能夠提高推薦的覆蓋率和多樣性。第二個方法是基于LDA的改進(jìn)推薦算法，其主要思想是根據(jù)用戶在社交網(wǎng)絡(luò)中發(fā)布、評論和轉(zhuǎn)發(fā)的信息提取用戶的興趣關(guān)鍵詞或標(biāo)簽。首先采用LDA主題模型生成用戶的興趣主題，根據(jù)用戶的興趣主題求得用戶的最近鄰，然后在此基礎(chǔ)上定義了新的正則化項，并將這些正則化項融合到矩陣分解模型

3、中，最終建立了一個基于LDA的矩陣分解推薦模型。實驗結(jié)果表明該模型能夠提升預(yù)測準(zhǔn)確率。
　　其次，針對矩陣分解模型過分依賴用戶-物品評分矩陣，沒有充分利用社交網(wǎng)絡(luò)中的結(jié)構(gòu)化信息的問題，本章提出了一種基于矩陣分解的社會網(wǎng)絡(luò)正則化推薦模型。對社會網(wǎng)絡(luò)不同的結(jié)構(gòu)特征使用了不同的相似度計算方法，定義了基于用戶相似度的正則化項。新的正則化項能夠最小化矩陣分解模型中相似用戶對應(yīng)的潛在向量之間的距離，防止訓(xùn)練模型出現(xiàn)過擬合現(xiàn)象。改進(jìn)的模型將社會

4、網(wǎng)絡(luò)中用戶的關(guān)系作為一種輔助信息融合到矩陣分解模型當(dāng)中。通過在騰訊微博數(shù)據(jù)集上進(jìn)行實驗，驗證了提出的方法與傳統(tǒng)的推薦方法相比能取得更高的推薦平均準(zhǔn)確度。
　　最后，將基于社會化網(wǎng)絡(luò)的好友推薦算法應(yīng)用到了“我奧網(wǎng)”上。我奧網(wǎng)是一個專注于體育運(yùn)動的社交網(wǎng)絡(luò)平臺，在這個平臺上活躍著很多熱愛運(yùn)動的用戶，為熱愛運(yùn)動的用戶提供了一個結(jié)交好友，尋找球友的廣闊平臺。在這個平臺上我們實現(xiàn)了針對新注冊用戶的好友推薦和基于社交關(guān)系以及興趣特征的好友推薦