結(jié)合上下文和信任關(guān)系的推薦算法研究.pdf

1、隨著因特網(wǎng)不斷發(fā)展，網(wǎng)絡(luò)信息高速增長，這帶來了信息超載的問題，使得人們很難獲取有價(jià)值的信息。個(gè)性化推薦系統(tǒng)能夠很好地解決該問題，所以受到了越來越多的關(guān)注和研究。隨著網(wǎng)絡(luò)社區(qū)與個(gè)人智能移動(dòng)終端的興起和普及，信任關(guān)系和上下文等很多有價(jià)值的信息能夠被推薦系統(tǒng)所使用。信任關(guān)系能夠有效提升推薦算法精度，上下文信息能夠提升推薦系統(tǒng)的個(gè)性化程度，推薦系統(tǒng)如果能更好的對(duì)這兩個(gè)信息加以利用，就能夠?yàn)橛脩籼峁┵|(zhì)量更高的推薦結(jié)果。研究者們對(duì)基于信任關(guān)系和基于

2、上下文的推薦系統(tǒng)做了很多研究，但對(duì)于同時(shí)結(jié)合上下文和信任關(guān)系的推薦算法研究還比較少。推薦系統(tǒng)使用的數(shù)據(jù)集通常包含上千萬條用戶信息和項(xiàng)目信息，如何提升面向海量數(shù)據(jù)的推薦算法效率也是本文的另一個(gè)重要研究內(nèi)容。
　　為此，本文圍繞同時(shí)結(jié)合上下文和信任關(guān)系的矩陣分解推薦算法以及在MapReduce框架下的算法并行化展開研究。本文主要工作如下:
　　1.提出兩個(gè)結(jié)合上下文信息和信任關(guān)系的推薦算法Context-SocialMF和Tru

3、st-FMs，并通過信任值矩陣的動(dòng)態(tài)學(xué)習(xí)進(jìn)行自適應(yīng)調(diào)整，以進(jìn)一步改進(jìn)推薦質(zhì)量。
　　(1) Context-SocialMF基于上下文后過濾范式，主要思路是:1）使用基于信任值傳播的SocialMF算法得到初步推薦結(jié)果集合;2）使用上下文偏好提取算法提取用戶在當(dāng)前上下文條件下的上下文偏好;3）采取最近位置優(yōu)先策略，使用用戶上下文偏好對(duì)初步推薦結(jié)果進(jìn)行過濾，得到最終推薦結(jié)果。Trust-FMs將上下文相關(guān)算法FMs中的每個(gè)用戶特征使

4、用其好友的特征進(jìn)行重構(gòu)，將用戶與好友之間的信任值作為權(quán)重，這樣就把信任值關(guān)系加入了上下文相關(guān)推薦算法中。
　　(2)上述兩個(gè)算法使用事先給定的信任值，難以精確描述用戶間真實(shí)的信任關(guān)系。為此，本文構(gòu)建信任值矩陣的優(yōu)化函數(shù)，并通過梯度下降法求解優(yōu)化函數(shù)，以此來動(dòng)態(tài)學(xué)習(xí)好友間的信任關(guān)系，即動(dòng)態(tài)自適應(yīng)調(diào)整信任關(guān)系矩陣。這樣信任值矩陣更能反映出用戶間信任的強(qiáng)弱關(guān)系，以改進(jìn)推薦質(zhì)量。
　　2.研究Context-SocialMF和Tru