论文部分内容阅读
近年来,社交网络服务日益流行,人们在上网购物时,往往容易接受朋友的推荐。很多科研学者尝试将用户的社交网络信息融入到推荐算法中,经研究表明,用户的社交网络信息确实可以有效缓解协同过滤推荐算法存在的数据稀疏性、扩展性不足等问题,具有一定的研究意义。然而大部分基于社交网络的推荐算法仅仅只利用了用户好友之间的二值化信任关系,却忽略了好友之间因具有不同兴趣偏好而使信任程度也不相同的问题,并且很多算法没有考虑用户在不同领域下信任的朋友也会不同。此基础之上,针对当前算法存在的问题,本文利用用户在社交网络中的好友关系和用户兴趣行为随时间变化的特点,提出改进算法,具体研究内容如下。(1)针对用户-项目数据稀疏性问题,本文在基于用户的协同过滤推荐算法进行改进,利用推荐用户的社交信息和评分信息,提出一种融合信任模型和用户行为的推荐算法。首先根据项目类别对社交信任网络进行划分,其次,在社交网络中根据用户信任的传递性建立推荐用户的信任模型,考虑到用户与近邻好友兴趣偏好的差异,利用共同评分项目分别计算用户与好友之间的信任度,同时使用用户评分真实度来减弱虚假或机器用户的影响。最后结合用户相似度形成推荐权重,对推荐用户的目标项目进行预测评分。在Epinions数据集和FilmTrust数据集上进行对比实验,结果表明,本文所提算法在准确率和召回率这两个评价指标上确实优于其他对比推荐算法。(2)本文在基于模型的协同过滤推荐算法理论上,以LFM矩阵分解为框架,提出一种融合时间特性和矩阵分解的社交推荐算法。首先本文根据评分信息中的评分时间,对用户相似性度量方法在基于时间衰减函数的基础上进行改进;其次分别对用户在社交网络中的全局社交关系和局部社交关系进行动态建模;然后把用户的个人兴趣偏好变化和社交关系模型加入到矩阵分解中,再将所求得的用户相似度与预测相似度作差,融入进损失函数中形成训练模型。最后对缺失评分进行预测,继而将生成的推荐列表推送给用户。在Yelp数据集和CiaoDVD数据集上进行仿真实验,通过实验对比分析,本算法降低了推荐结果的均方根误差和平均绝对误差。本文共有图33幅,表10个,参考文献83篇。