协同过滤推荐算法在社交网络中的研究与应用

摘要

数据过载问题已成为制约互联网发展的重要问题。个性化推荐技术有效地缓解了这一问题，但随着互联网系统复杂性增加、数据内容多样化，个性化推荐技术的应用暴露出一些问题，如数据冷启动、用户数据稀疏性、推荐系统扩展性等问题。协同过滤推荐算法通过研究用户的喜好，实现从海量数据资源中为用户推荐其感兴趣的内容，在电子商务中得到了广泛的应用。然而，当此类算法应用到社交网络时，相似度计算方法和评价指标的重点发生了变化，从而出现推荐算法效率偏低，推荐准确度下降，导致社交网络中用户交友推荐满意度偏低。
　　针对上述出现的问题，文中提出并设计了基于用户相似度的协同过滤推荐算法，并在仿真实验环境下对算法有效性进行了验证。论文的主要工作如下:
　　(1)分析现有的相似度计算方法，针对社交网络的特性，重新定义用户相似度及其计算方法。用户相似度由两部分线性拟合而成:
　　①用户属性相似度。用户的基本信息组成，用户属性划分为数值型属性和名称型属性;
　　②用户互动相似度。以用户间的会话信息为依据，找出用户间相似的发件人和相似的收件人，用度来衡量用户互动相似度。
　　③对两部分相似度赋予不同的权重，线性拟合得到用户相似度。
　　(2)以用户相似度为基础，设计基于用户相似度的协同过滤推荐算法，对算法设计的依据进行讨论。通过对相似度的计算，利用Top-N排序算法对候选集进行排序，为用户产生推荐集。对算法复杂度进行分析，并和其他算法的复杂度进行比较。
　　(3)搭建实验环境，仿真实验环境基于Apache Mahout开源平台，使用社交网络中真实的历史数据展开实验，收集并分析实验数据，从准确率、用户回复率、推荐的覆盖率等不同维度度量，对协同过滤推荐算法、基于互动的推荐算法、基于用户相似度的推荐算法三种算法进行评价。
　　在社交网络中离线状态下对真实环境进行仿真模拟，最大化的接近真实情况。实验结果表明:基于用户相似度的协调过滤推荐算法和其他二种算法的复杂度处于同一数量级，在不增加额外开销的情况下，基于用户相似度的协调过滤推荐算法在社交网络得到的推荐结果的质量优于另外两种算法，有着更高的用户满意度。

目录

声明

摘要

插图索引

附表索引

第1章 绪论

1．1 研究背景与意义

1．1．1 选题背景

1．1．2 选题意义

1．2 国内外研究现状

1．2．1 国外研究现状

1．2．2 国内研究现状

1．3 研究路线

1．4 本文研究内容

1．5 本文章节安排

第2章 个性化推荐方法与技术

2．1 数据挖掘与个性化推荐技术概论

2．2 推荐引擎工作原理

2．3 推荐系统的分类

2．3．1 基于内容的推荐

2．3．2 基于协同过滤的推荐

2．3．3 混合推荐算法

2．3．4 主要推荐算法比较

2．4 协同过滤推荐算法及评价标准

2．4．1 常见相似度定义及其计算方法

2．4．2 基于项目的协同过滤推荐算法

2．4．3 基于用户的协同过滤推荐算法

2．4．4 评价标准

2．5 个性化推荐面对的问题和挑战

2．6 本章小结

第3章 社交网络中推荐技术的应用

3．1 社交网络的特性

3．2 用户信息数据的分析

3．2．1 用户注册基本信息

3．2．2 用户标签信息

3．2．3 用户位置信息

3．2．4 用户行为信息

3．3 社交网络中的个性化推荐

3．3．1 推荐引擎架构

3．3．2 基于领域的社会化推荐

3．3．3 基于信息流的推荐

3．3．4 基于社交网络图谱的推荐

3．4 常用算法的比较

3．5 本章小结

第4章 基于用户相似度的协同过滤推荐算法

4．1 算法设计的依据

4．2 用户相似度及其描述

4．2．1 用户属性相似度

4．2．2 用户互动相似度

4．3 用户相似度的计算

4．4 推荐集产生过程及算法复杂度分析

4．4．1 推荐集产生过程

4．4．2 算法复杂度分析

4．5 本章小结

第5章 仿真实验及结果分析

5．1 仿真实验环境及实验数据

5．1．1 实验环境配置

5．1．2 Apache Mahout开源平台简介

5．2 实验数据获取

5．3 实验结果分析

5．3．1 评价标准

5．3．2 权重系数的确定

5．3．3 基线成功率比较

5．4 成功率、召回率、覆盖率比较

5．5 本章小结

结论与展望

参考文献

致谢

附录A 攻读学位期间所发表的学术论文目录

附录B 攻读学位期间所参与的主要项目