论文部分内容阅读
信息技术不断普及和互联网飞速发展的同时,“信息过载”(Information Overload)问题日益严重,尤其在商业领域,如何更好的给用户提供其可能感兴趣的商品,帮助其缓解大量信息带来的迷茫困扰,成为近年来的研究热点。推荐系统根据用户兴趣爱好为用户提供个性化推荐,一定程度上缓解了“信息过载”带来的负面影响,尤其是20世纪90年代以来,推荐系统方面的研究成果不断涌现。与此同时,互联网用户数量近年来出现爆炸性的增长,社交网络异军突起。美国著名的尼尔森(Nielsen)调查机构曾就“影响用户相信某个推荐的因素”进行研究,结果表明,大约有90%的用户倾向于信任来自朋友的推荐。相关专家学者开始研究基于社交信任的推荐算法。研究结果表明将社交信任引入推荐领域能够明显提高推荐的质量。本文主要在推荐系统领域应用较为广泛的协同过滤推荐算法(Collaborative Filtering Recommendation,CF)的基础上展开研究。 传统的协同过滤推荐算法存在数据稀疏性、冷启动、新用户等问题,影响了推荐的效果和质量。另一方面,缘由互联网用户数量的庞大,用户间直接信任数据也存在数据稀疏性的问题。因此,本文首先提出“用户行为系数”的概念挖掘用户间隐性信任关系,进一步结合改进后的用户显性信任关系衡量提出用户信任度函数,缓解用户信任关系数据稀疏性的问题;其次,结合用户评分和项目属性标签的关系提出“用户兴趣相似度”的概念,挖掘用户潜在兴趣;再次,使用概率矩阵分解模型对用户信任关系信息、用户-项目评分信息以及用户兴趣相似信息进行矩阵分解,挖掘用户和项目的潜在特征向量;最后提出结合用户信任和兴趣的概率矩阵分解推荐方法(STUIPMF,Recommended Algorithm Combined with Social Trust and User Interest based on Probability Matrix Factorization Model),从而达到缓解数据稀疏性的目的。本文通过Epinions数据集验证新算法的运用效果,实验结果表明,本文所提算法在提高了推荐精度的同时,还避免了冷启动和新用户问题所带来的负面影响,而且可扩展性也有所提高。