基于标签和信任关系的推荐算法研究

摘要

当今是一个信息过载的时代，大数据背景下为用户准确的提供其所需的相应信息和服务变得越发困难。推荐系统和个性化定制服务作为一项克服信息过载的重要技术已经广泛用于电子商务的各个领域。一般来说，个性化推荐这个研究领域源于协同过滤算法的产生，很多学者和科研机构对这一领域的发展起到了关键的推动作用，各种算法层出不穷。目前的推荐算法并不完善，有其局限性，很多推荐算法并没有考虑到多源信息的综合影响，例如标签信息、时间信息以及信任关系等等。这也造成了推荐质量的下降，即使目前最新的一些研究，很多只是考虑单一因素的影响。 针对上述问题，本文以矩阵分解为基础，并且结合标签信息、信任关系信息以及时间信息以解决三个任务：一是在相关基于标签算法的基础上融合信任关系信息以构建新的推荐模型，推荐用户感兴趣的项目；二是在概率矩阵分解算法的基础上建立新的评分预测模型，并且融合时间信息，预测用户对项目的偏好值；三是综合标签、信任关系以及时间三种信息，并且结合新的评分预测模型，进一步提高推荐的效果。 本文的研究问题和解决方法总结如下： 融合信任关系信息的项目推荐：现有的基于标签的推荐算法考虑到了时间因素对推荐结果的影响，却没有考虑信任关系信息对推荐结果的影响，为此，本文提出了一种融合标签信息、时间信息以及信任关系信息的推荐模型，使用矩阵分解模型进行项目推荐。信任关系的加入，一定程度上能够缓解数据稀疏性问题，在公开的数据集上的实验结果表明该模型有较好的推荐效果。 基于概率矩阵分解的评分预测：传统的协同过滤算法易受数据稀疏的影响，基于此，在概率矩阵分解算法(Probabilistic Matrix Factorization，PMF)的基础上提出了新的评分预测模型 TPMF，该模型将评分矩阵分为两个非负矩阵，归一化处理之后使其有了概率语义，通过变分推理法计算概率模型实部后验分布，用偏好预测值对用户-项目评分矩阵进行补全进而得到稠密评分矩阵，最后将时间权重融入到到评分矩阵中构造用户-项目-时间三维模型最终产生推荐结果。将该模型与协同过滤算法相结合，同时引入时间窗技术，在公开数据集上的实验结果表明，该评分预测模型能够有效提高推荐的效果。 多源信息推荐：综合多源信息，本文提出了一种融合标签、信任关系以及时间信息的推荐算法。通过标签聚类，一定程度上消除了标签语义的模糊以及冗余问题。引入信任关系权重，则能够在一定程度上使推荐结果更具有针对性，并且结合时间权重，能够更好的刻画用户兴趣的变化。算法中还使用新的评分预测模型TPMF进行评分预测用以缓解数据稀疏性。实验结果表明这一系列的优化措施使推荐效果有了更进一步的提升。

目录

第一个书签之前

摘 要

ABSTRACT

第1章 绪论

1.1研究背景

1.2国内外研究现状

1.3 主要研究内容

1.4 本文结构安排

第2章 相关概念

2.1 引言

2.2 推荐系统定义

2.3 经典协同过滤推荐算法

2.4 潜在语义模型LFM

2.5 矩阵分解模型

2.6 评价指标说明

2.7 本章小结

第3章 基于标签和信任关系的矩阵分解推荐算法研究

3.1 标签相关定义

3.2基于标签的推荐算法流程图

3.3 构建具有标签信息的评分矩阵

3.4 基于信任关系的推荐

3.5 矩阵分解使用说明

3.6 实验及分析

3.7本章小结

第4章 评分预测与时间窗相结合的算法研究

4.1 引言

4.2 评分预测模型TPMF

4.3 TPMF模型推理与计算

4.4 融合TPMF与时间窗的协同过滤算法

4.5 实验及分析

4.6 本章小结

第5章 融合信任关系的综合推荐研究

5.1 引言

5.2 信任关系

5.3 信任度的计算

5.4标签聚类

5.5 构建评分矩阵

5.6 推荐算法详细说明

5.7 实验解析

5.8 本章小结

第6章 总结及展望

6.1 总结

6.2 展望

参考文献

后记

攻读硕士学位期间论文发表及科研情况