隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展,從海量數(shù)據(jù)中找到真正對用戶有用的信息變得越來越困難,即用戶面臨嚴(yán)重的信息過載問題。推薦算法能夠分析用戶歷史數(shù)據(jù),解析出用戶的隱藏偏好,為用戶提供符合他們需求的信息,被證明是解決信息過載的有效手段,近年來受到研究者的廣泛關(guān)注,并取得了大量研究成果。但是,推薦算法仍然存在一些問題,比如推薦準(zhǔn)確性與多樣性難以并存問題,數(shù)據(jù)稀疏與冷啟動問題以及惡意用戶問題,本文針對這些問題,進行如下的研究工作:(1)提出基于輔助信息的矩陣分解協(xié)同過濾推薦模型CI-MDCF。該模型在傳統(tǒng)的矩陣分解協(xié)同過濾模型基礎(chǔ)上,增加用戶輔助信息與物品輔助信息,以提高傳統(tǒng)推薦模型的推薦性能。(2)提出基于物品相似度與用戶信任度的矩陣分解協(xié)同過濾推薦算法。該算法在CI-MDCF模型基礎(chǔ)上對輔助信息進行具體化,物品端輔助信息使用物品屬性相似性信息,提出物品相似度指標(biāo)COS進行量化,用戶端輔助信息使用用戶信任關(guān)系信息,提出信任度指標(biāo)CUT進行量化,借助COS與CUT對模型進行實現(xiàn),解決推薦過程中準(zhǔn)確性與多樣性難以并存的問題。(3)提出信任更新算法。在基于物品相似度與用戶信任度的矩陣分解協(xié)同過濾推薦算法中,...

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖３．２矩陣分解過程??Ｆｉｇ．?３．２?Ｍａｔｒｉｘ?ｄｅｃｏｍｐｏｓｉｔｉｏｎ?ｐｒｏｃｅｓｓ??－１７?－??

了這個用戶對相應(yīng)的物品的某個特征的喜好程度。每個物品ｉ對應(yīng)一個行向量ｅ??＆度量了此物品能夠體現(xiàn)特點的概率。交互信息矩陣中的ｍ個用戶和ｎ個物品分別形成??用戶喜好矩陣Ｐ?ｅ?ｘｍ和物品特征矩陣Ｑ?ｘｎ。內(nèi)積就是用戶ｕ對物品ｉ交??互的欣喜接過，也可以直接看做預(yù)測的分?jǐn)?shù)。因此，給定....

圖４．１用戶社交網(wǎng)的有向帶權(quán)圖??Ｆｉｇ．?４．１?Ｄｉｒｅｃｔｅｄ?ｗｅｉｇｈｔｅｄ?ｍａｐ?ｏｆ?ｔｈｅ?ｕｓｅｒ＇ｓ?ｓｏｃｉａｌ?ｎｅｔｗｏｒｋ??，

學(xué)位論文???４．?２．１社交網(wǎng)絡(luò)模型的建立及優(yōu)化??Ｂｏｙｄ等人［４５］提出社交網(wǎng)絡(luò)是其中的用戶可以擁有公布或者半公布的身份，并且可??以相互傳遞信息產(chǎn)生聯(lián)系的網(wǎng)絡(luò)服務(wù)。所以社交網(wǎng)站是一種在用戶與用戶之間相互傳??遞信息從而產(chǎn)生密不可分的關(guān)系之上進行發(fā)展，最終能夠提供人們互相聯(lián)....

圖４．２優(yōu)化后的用戶社交網(wǎng)有向帶權(quán)圖??Ｆｉｇ．?４．２?Ｏｐｔｉｍｉｚｅｄ?ｕｓｅｒ?ｓｏｃｉａｌ?ｎｅｔｗｏｒｋ?ｄｉｒｅｃｔｅｄ?ｒｉｇｈｔｓ?ｍａｐ??

?基于物品相似度與用戶信任度的協(xié)同過濾推薦算法研宄???為了便于理解與計算，該模型對圖４．１進行優(yōu)化，將每兩個節(jié)點之間的關(guān)系用一條??普通直線表示，權(quán)值即用戶互相發(fā)送消息的平均值。在實??際的應(yīng)用中，如果節(jié)點ｎ；給節(jié)點ｎ；．傳遞很多內(nèi)容，而節(jié)點巧對節(jié)點ｎｆ沒有傳遞任何內(nèi)容，??即....

圖５．３不同評分?jǐn)?shù)量下的用戶與物品數(shù)量分布??Ｆｉｇ．?５．３?Ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ?ｕｓｅｒｓ?ａｎｄ?ｉｔｅｍｓ?ｕｎｄｅｒ?ｄｉｆｆｅｒｅｎｔ?ｒａｔｉｎｇ?ｎｕｍｂｅｒｓ??

?大連海事大學(xué)碩士學(xué)位論文???數(shù)據(jù)Ｚ則屬性向量中相對的仍＝１?（ｌＳｉＳｍ），否則仍＝０。其中特征的權(quán)重參數(shù)??設(shè)置為１／（ＴＨ?—?１）。??１００?１０Ｃ－??＇?＼?１?％??Ｉ?１００?１００００?ｉ?ｔｏｏ?１００００??評分雔晨?ｉｆ分??圖５．３不同評分?jǐn)?shù)量下的用....

本文編號：3976669