基于改进粒子群社区划分与好友推荐算法研究

摘要

随着互联网技术的迅猛发展，网络提供给人们的资源日益丰富，但海量信息的单一陈列并不会给用户带来更好的体验，相反使其变得更加困难。我们将这种由信息过胜带来的负面影响称之为信息过载。若网络呈现的多为无关信息，则势必会造成用户不断流失的现象，因此推荐系统应运而生。当前，作为推荐系统的经典应用之一，好友推荐已经成为社交网络中重要且实用的个性化服务，对推动社交网络不断发展起到了关键性作用。但是，推荐准确率低、推荐精度差等缺陷都在阻碍着推荐系统的进一步发展。本课题旨在解决这些问题。
　　社区结构划分作为社交网络的重要特性，其对推荐系统的效果有着深远影响。社区结构的划分是将网络中各用户归结为不同的集合，使得集合内部节点间有较高的相似性，而各集合之间存在较高的相异性。从本质上来讲，社区划分是对图集的某一属性进行研究，其结果为该属性上局部最优点聚集的稠密子图。将社区划分思想与推荐算法相融合，势必会带来新的启发与突破。
　　文章的主要工作体现在：首先在好友推荐系统中引入社区划分思想，可以预先将待推荐用户划分到不同的社交圈，进而只在该社交圈对用户进行相似度计算，既减少了相似度计算量，又提高了推荐的准确度；另外，将粒子群算法与社区划分相结合，并对粒子群算法进行改进，提出了基于次优经验的粒子群算法，在该改进算法中，粒子的每一次迭代除考虑自身最优适应值以及全局最优适应值外，还引入了次优粒子对其位置更新的影响，从而避免早熟现象；最后在推荐方面，引入用户个人信息相似度思想，提出综合相似度计算方法进行推荐。
　　基于改进 SEPSO社区划分算法与基于标准粒子群的社区划分算法相比较，结果表明：SEPSO算法与社区划分的结合可以有效提高划分准确度，社区划分结构更明显；将本文提出的算法与经过社区划分后仅考虑用户相似度的推荐算法，以及传统的基于用户综合相似度的算法进行比较分析，实验结果表明：在提高推荐准确度、提高推荐效率等方面，本文提出的算法优于传统的算法。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 课题的研究背景及意义

1.2 国内外研究现状

1.3 本文研究内容

1.4 本文组织结构

第2章 相关理论综述

2.1 社交网络

2.2 基于用户相似度的好友推荐算法

2.3 社区结构划分算法

2.4 标准粒子群算法

2.5 本章小结

第3章 基于次优经验粒子群的网络社区划分方法

3.1 复杂网络社区划分问题的数学描述

3.2 复杂网络社区划分的评价标准

3.3 改进的粒子群算法

3.4 SEPSO在复杂网络社区划分中的应用

3.5 实验环境与数据集

3.6 数值实验与结果分析

3.7 本章小结

第4章 基于改进社区划分的好友推荐算法研究

4.1 好友推荐算法思想

4.2 用户综合相似度计算

4.3 好友推荐算法的评价标准

4.4 基于改进社区划分的好友推荐算法

4.5 数值试验与结果分析

4.6 本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢