结合社交与标签信息的推荐算法研究

摘要

随着互联网及电子商务的迅速发展，推荐技术得到广泛应用。电子商务系统中每天都有大量新用户和新商品的加入，推荐系统的准确性和冷启动问题日益严重。因此，本文针对推荐系统中的准确性问题和冷启动问题，进行了深入的研究。
　　 针对推荐系统的准确性问题，本文提出了结合社交与标签信息的协同过滤推荐算法。首先，定义了小众重叠度和个体重要度的概念，并描述了“个体-小众-社区”的形成过程;其次，分析“用户-项目-标签”三元组信息获得用户间的相似度，并结合社区中的个体重要度，最终得到目标用户的偏好预测和个性化推荐。
　　 对于推荐系统中的新项目冷启动问题，本文提出了结合用户信息、标签信息、项目属性信息以及时间信息的个性化推荐算法。首先，定义了用户时间权重信息概念，该定义考虑到了用户评价时间与项目发布时间的时间间隔，根据用户时间权重值的大小判断该用户是积极用户还是消极用户，以及用户对新项目的偏爱程度;其次，利用三分图的形式描述用户-项目-标签、用户-项目-属性之间的关系;然后，在充分考虑用户信息、标签信息、项目属性信息以及时间信息的基础上，获得个性化的预测评分值公式。
　　 针对新用户冷启动问题，本文提出了结合用户信息、标签信息、项目属性信息以及用户社交信息的个性化推荐算法。在解决新项目冷启动问题的推荐算法思想基础上，融合用户社交信息，并对新用户好友的预测评分值进行加权计算，获得新用户对项目的预测评分值。
　　 本文采用了公共数据集Last.fm、Movielens进行了一系列的对比实验、交叉验证实验和仿真实验。对比实验结果表明本文提出的算法提高了推荐的准确度和新颖度;交叉验证实验表明本文提出的新项目冷启动解决方法无论是在推荐的准确度还是推荐项目的新颖度上都是有效的;通过在Movielens数据集上仿真用户社交信息验证了本文方法能够一定程度解决新用户冷启动问题。

目录

声明

摘要

第一章 绪论

1．1 引言

1．2 研究现状与分析

1．2．1 国内研究现状

1．2．2 国外研究现状

1．3 研究内容

1．4 组织结构

第二章 个性化推荐

2．1 推荐系统的基本概念

2．1．1 推荐系统中的相关技术

2．1．2 推荐系统的基本框架

2．1．3 推荐算法

2．2 推荐系统存在的问题

2．3 推荐系统的评测标准

2．4 小结

第三章 结合社交与标签信息的协同过滤推荐算法

3．1 社交信息

3．2 标签

3．2．1 标签的内涵

3．2．2 标签的特点

3．3 结合社交与标签信息的协同过滤推荐算法

3．3．1 个体-小众-社区

3．3．2 用户相似度

3．3．3 个体在社区中的重要度

3．3．4 用户预测评分值

3．3．5 算法描述

3．4 仿真实验

3．4．1 数据集预处理

3．4．2 实验结果与分析

3．5 小结

第四章 解决推荐系统冷启动问题的推荐算法

4．1 冷启动问题

4．2 现有冷启动问题的解决方法

4．3 相关基本概念

4．3．1 传统协同过滤推荐算法

4．3．2 项目属性、项目标签与用户时间信息

4．4 多种个性化推荐算法

4．4．1 用户时间权重

4．4．2 用户预测评分值

4．4．3 解决新项目冷启动问题的个性化推荐算法

4．4．4 解决新用户冷启动问题的个性化推荐算法

4．4．5 个性化推荐算法描述

4．5 新项目冷启动问题的仿真实验

4．5．1 数据集预处理

4．5．2 实验结果与分析

4．6 新用户冷启动问题的仿真实验

4．6．1 仿真数据集的获取

4．6．2 实验结果与分析

4．7 小结

第五章 总结及未来工作

5．1 总结

5．2 未来的工作

致谢

攻硕期间从事的科研工作及取得的研究成果

参考文献