社會(huì)網(wǎng)絡(luò)關(guān)系抽取及其協(xié)同推薦算法.pdf

1、隨著信息技術(shù)的發(fā)展,互聯(lián)網(wǎng)逐步取代傳統(tǒng)的書籍和紙質(zhì)媒體成為最重要的信息平臺(tái)之一。用戶可以通過(guò)互聯(lián)網(wǎng)去獲取各種資訊。隨著互聯(lián)網(wǎng)的發(fā)展,社交網(wǎng)站成為用戶獲取信息的主要途徑之一。用戶產(chǎn)生內(nèi)容和內(nèi)容分享是社交網(wǎng)站最重要的特征。用戶將花費(fèi)大量時(shí)間和精力從社交網(wǎng)站中提取有用的信息,如何幫助用戶從海量信息中獲取有效的信息是一個(gè)亟待解決的問(wèn)題。另外,移動(dòng)互聯(lián)網(wǎng)的蓬勃發(fā)展,互聯(lián)網(wǎng)應(yīng)用增長(zhǎng)迅速,各種同質(zhì)化應(yīng)用讓用戶很難找到有價(jià)值的應(yīng)用。面對(duì)這些問(wèn)題,個(gè)性化

2、推薦系統(tǒng)被廣泛用來(lái)解決信息過(guò)載問(wèn)題,其中協(xié)同過(guò)濾算法是推薦系統(tǒng)中使用的最廣泛算法。
　　隨著用戶和推薦項(xiàng)的增長(zhǎng),協(xié)同過(guò)濾算法暴露出一些問(wèn)題。第一,矩陣稀疏性,基于用戶評(píng)分信息的相似度計(jì)算受到矩陣稀疏性的影響。第二,可擴(kuò)展性。隨著用戶和推薦項(xiàng)數(shù)量增長(zhǎng),系統(tǒng)性能快速下降。第三,冷啟動(dòng)。新推薦項(xiàng)和新用戶都無(wú)法有效提供推薦。在某些情況下用戶評(píng)分信息缺失時(shí),協(xié)同過(guò)濾算法完全失效。
　　為了解決上述問(wèn)題,在推薦系統(tǒng)中引入社會(huì)網(wǎng)絡(luò)關(guān)系上下

3、文,提出一種全新的基于社會(huì)網(wǎng)絡(luò)關(guān)系的協(xié)同推薦算法。首先,抽取社會(huì)網(wǎng)絡(luò)關(guān)系強(qiáng)度。從社交網(wǎng)絡(luò)中提取社團(tuán)并挖掘出社團(tuán)強(qiáng)度,利用社團(tuán)強(qiáng)度來(lái)預(yù)測(cè)社團(tuán)成員之間的關(guān)系強(qiáng)度。然后,利用用戶之間的社會(huì)網(wǎng)絡(luò)關(guān)系來(lái)重新定義用戶之間的相似度,提出一種基于社會(huì)網(wǎng)絡(luò)關(guān)系的協(xié)同推薦算法。
　　實(shí)驗(yàn)結(jié)果表明,基于社會(huì)網(wǎng)絡(luò)關(guān)系的協(xié)同推薦算法,能夠有效改善相似度計(jì)算,提升系統(tǒng)擴(kuò)展性,并一定程度對(duì)抗矩陣稀疏性。在用戶推薦項(xiàng)矩陣稀疏的情況下,協(xié)同推薦算法優(yōu)于傳統(tǒng)的協(xié)同過(guò)