基于社交网络的推荐系统数据稀疏性问题的研究

摘要

随着信息技术的高速发展和信息资源的迅速膨胀，人们从海量数据中找到自己真正感兴趣的信息变得越来越困难，这就是著名的“信息过载问题”。推荐系统一直被认为是解决信息过载问题的重要技术，它能够根据用户的历史记录预测用户的偏好，从海量数据中找出用户感兴趣的信息。推荐系统已经成功应用于电子商务、个性化广告推荐、个性化网络服务等领域。
　　协同过滤推荐算法是现在最为成功的推荐算法，但该算法面临着严重的数据稀疏性问题。现有的方法主要是通过提高评分矩阵的密度或者修正推荐的关键过程来缓解数据稀疏性问题对推荐算法的不利影响，但这两种方法都没有从本质上解决数据稀疏性问题。本文从增加信息类别的角度出发，把社交网络中用户的好友关系、标签信息以及项目的近邻关系加入推荐模型，用于缓解数据稀疏性问题对推荐算法的不利影响。在结合社交网络缓解数据稀疏性问题的过程中，本文首先阐述了用户的评分数据存在的严重的数据稀疏性问题;其次，分析了社交网络中用户的好友关系、标签信息在缓解数据稀疏性问题中的作用;再次，分析了项目的近邻关系对数据稀疏性问题的影响;最后，通过实验验证了社交网络中用户的好友关系、标签信息以及项目的近邻关系可以缓解数据稀疏性问题，提高推荐算法的性能。

目录

声明

摘要

第一章 绪论

1．1 研究背景及意义

1．2 国内外相关研究

1．3 本文的主要内容

1．4 本文的结构安排

第二章 背景知识

2．1 推荐系统

2．2 推荐算法

2．2．1 基于内容的推荐算法

2．2．2 协同过滤推荐算法

2．2．3 组合推荐算法

2．3 矩阵分解模型

2．3．1 矩阵分解的方法

2．3．2 基于排序的矩阵分解模型

2．4 本章小结

第三章 相关工作

3．1 数据稀疏性问题及其主要成因

3．2 数据稀疏性问题对协同过滤推荐算法的影响

3．3 数据稀疏性问题现有的解决方法

3．3．1 通过提高评分矩阵的密度处理稀疏性问题

3．3．2 通过修正推荐的关键过程处理数据稀疏性问题

3．4 本章小结

第四章 集成社交网络信息的矩阵分解模型

4．1 正负例的抽取

4．2 集成社交网络中的隐反馈

4．2．1 隐反馈及其在矩阵分解中的作用

4．2．2 集成用户的好友关系

4．2．3 集成标签信息

4．2．4 集成用户的好友关系与标签信息

4．3 集成基于项目的近邻关系

4．3．1 矩阵分解模型的不足

4．3．2 近邻项目的获取

4．3．3 近邻模型与隐语义模型的融合

4．4 本章小结

第五章 实验结果及其分析

5．1 实验数据集

5．2 实验评价指标

5．3 社交网络中信息的作用

5．4 对比算法及其参数设定

5．5 对比试验

5．6 反例抽取的影响

5．7 本章小结

第六章 总结与展望

6．1 总结

6．2 未来展望

致谢

参考文献