基于節(jié)點用戶和概率矩陣分解模型的推薦算法

1、基于節(jié)點用戶和概率矩陣分解模型的推薦算法NodeUserbasedMatrixFactorizationModelforRecommendationAlgorithm專業(yè)：計算機科學與技術作者姓名：張敏杰指導教師：于瑞國副教授天津大學計算機科學與技術學院二零一五年十二月萬方數(shù)據(jù)摘要基于矩陣分解的推薦算法在推薦系統(tǒng)領域己得到長足發(fā)展，同時隨著社交網絡等的興起，用戶社交關系在推薦算法中也越來越扮演著舉足輕重的地位。社交網絡較傳統(tǒng)社交的最大區(qū)

2、別在于社交網絡中信息流動會顯著的受一些影響力很大的用戶影響，這些用戶被稱為“節(jié)點用戶”。單純的矩陣分解模型及將社交網絡引入矩陣分解的模型在近些年被大量提出，但對于社交網絡中的節(jié)點用戶以及節(jié)點用戶影響力對模型和推薦效果的影響鮮有研究。論文主要研究內容包括：1)分析社交網絡中用戶影響力指標，定義節(jié)點用戶，并利用斯皮爾曼等級系數(shù)分析各指標之間關系；2)將節(jié)點用戶影響力引入矩陣分解模型，提出基于節(jié)點用戶的概率矩陣分解模型；3)提出二度拓展和基于

3、影響力的限制性拓展兩種社交關系拓展方法，通過緩解模型中社交關系數(shù)據(jù)的稀疏性，來提高預測準確度。論文首先研究社交網絡中的用戶影響力指標并對節(jié)點用戶進行定義，提出基于節(jié)點用戶的概率矩陣分解模型，并針對該模型采用豆瓣電影和Yelp數(shù)據(jù)集進行驗證。實驗證明了該模型的有效性，并且在社交關系數(shù)據(jù)質量較高時較其他模型優(yōu)勢明顯，同時結果也展示出在不同特點的環(huán)境和數(shù)據(jù)下應選用不同影響力指標；其次本文提出了兩種緩解社交關系稀疏性的方法，同樣通過上述數(shù)據(jù)集進