融合信任关系的矩阵分解推荐算法研究

摘要

随着互联网和电子商务的快速发展，信息处于过载状态。相比于传统搜索引擎的信息检索方式，个性化推荐系统提供了另一种有效解决信息过载问题的方法。个性化推荐系统通过分析用户的属性特征信息（性别、年龄、职业、爱好等）和历史行为信息（用户对项目的评分等），得到用户的兴趣偏好，然后主动、个性化的向用户推荐相关商品和信息，提高用户查找信息的质量和效率。传统推荐算法，如协同过滤推荐算法，是目前电子商务网站推荐系统中应用最为广泛和有效的技术，但由于仅仅考虑了用户项目评分数据，且用户项目评分矩阵存在很大的稀疏性，导致推荐质量不高。同时，传统推荐算法还存在冷启动问题，即新用户问题和新项目问题，以及抗攻击性问题和扩展性问题等。因此，考虑到用户更倾向于选择或接受用户自己朋友推荐的商品或信息，本文通过融合用户信任关系，提出融合用户信任关系和矩阵分解的推荐算法。具体如下：
　　首先，提出融合用户信任关系和概率矩阵分解的推荐算法（Trust-based Probability Matrix Factorization, TPMF）。通过将用户信任关系矩阵和用户项目评分矩阵进行联合概率分解，得到同时满足用户信任矩阵和用户项目评分矩阵约束的新的用户特征矩阵，然后将新的用户特征矩阵和项目特征矩阵进行内积操作，得到评分缺失值，进而产生推荐。实验结果表明融合用户信任关系和概率矩阵分解的推荐算法（TPMF）一定程度上缓解了用户项目评分的稀疏性，提高了推荐准确率。
　　然后，提出了融合用户信任关系和奇异值分解的推荐算法（Trust-based Singular Value Decomposition++,TSVD++）。通过在加入用户和项目偏置项的奇异值分解推荐算法（Singular Value Decomposition++,SVD++）的基础上，融入用户之间的信任关系，然后对目标函数进行优化处理学习得到最佳模型参数，通过用户项目评分预测公式得到用户项目评分矩阵中的缺失值，最后产生推荐。实验结果表明融合用户信任关系和奇异值分解的推荐算法（TSVD++）一定程度上缓解了用户项目评分的稀疏性，提高了推荐准确率。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 本文主要研究内容

1.4 本文的组织结构

第二章 推荐系统概述

2.1 推荐系统定义

2.2 推荐系统分类

2.3 主要推荐方法的对比

2.4 推荐效果评测方法

2.5 推荐算法评价指标

2.6 本章小结

第三章 信任关系理论研究

3.1 信任的定义

3.2 信任网络的优点

3.3 信任的度量方法

3.4 信任关系的特征

3.5 信任计算相关模型

3.6 本章小结

第四章 融合信任关系的概率矩阵分解推荐算法

4.1 融合信任关系的概率矩阵分解模型

4.2 实验数据及评价指标

4.3 实验结果与分析

4.4 本章小结

第五章 融合信任关系的奇异值分解推荐算法

5.1 融合信任关系的奇异值分解模型

5.2 实验数据及评价指标

5.3 实验结果与分析

5.4 本章小结

第六章 总结与展望

6.1 总结

6.2 展望

参考文献

致谢

作者简介