融合用户信任与项目关系的社会化推荐算法研究

摘要

个性化推荐系统作为信息过滤的有效工具越来越受到人们的关注。因为它能帮助用户从大量的数据中迅速查找出他们所需要的信息，目前已经成为电子商务应用的一个重要组成部分。在个性化推荐系统中，协同过滤是一种广泛使用的推荐技术，这种推荐技术是根据志同道合的用户的评级做出推荐，但是传统的协同过滤算法通常都存在着数据稀疏和冷启动等问题，在实际应用中推荐的准确度欠佳。为了解决此问题，许多基于模型的协同过滤的推荐算法已经提出并取得了不错的成果，其中，奇异值矩阵分解（SVD）是近几年被广泛研究的一种高效的推荐技术。在Web2.0环境下，随着社交网络的广泛应用，传统的矩阵分解推荐方法由于没有考虑用户的社交关系，因此难以取得理想的推荐结果。社会化推荐方法由于能够结合社会网络信息的特点来模拟真实社会的推荐过程，大大提高了推荐的准确性。本文通过对国内外协同过滤推荐算法的深入分析，在社会化推荐思想的指引下，提出了在传统的矩阵分解推荐算法中融合用户的社会信任信息和隐含项目关系两种通用的策略。
　　本文的主要工作包括以下几个方面：
　　1.对传统推荐系统的分类、评价指标、存在的问题进行了综述，并重点阐述了基于模型的协同过滤推荐。然后论述了目前方兴未艾的社会化推荐，结合社交网络中的用户社会关系与协同过滤中的项目关系引出本文的课题。
　　2.结合社交网络的特点，基于用户的偏好与社交网络中的好友有直接的影响，以奇异值（SVD）矩阵分解模型为基础，提出了融合直接朋友关系和偏置信息对矩阵分解进行改进,构建正则化模型。并通过在 Flixster数据集上进行大量的实验，验证了本文提出的算法与所比较的经典方法在准确度方面有较大的提升。
　　3.针对用户对项目的评分不仅与自己的兴趣有关，还与用户的隐式评分、所信任朋友的兴趣以及所评分的隐式项目有关。所以，本文对奇异值（SVD）矩阵分解模型进行改进，融合了社交网络中的信任关系和隐式项目关系来构建正则化模型，并使用随机梯度下降法生成用户的潜在特征和项目的潜在特征，以此为用户推荐感兴趣的项目。通过在Flixster、FilmTrust、Epionions三个真实的数据集上的大量实验，验证了提出的推荐模型与所比较的算法在准确性和效率方面都有较大的提升。

目录

声明

1. 绪论

1.1推荐系统的研究背景

1.2推荐系统研究的意义

1.3国内外研究现状

1.4本文的研究内容

1.5本文的组织结构

2. 推荐系统基础

2.1传统推荐系统

2.2 基于模型的协同过滤推荐

2.3推荐系统的评价指标

2.4 传统推荐系统存在的问题

2.5社会化推荐系统

2.6本章小结

3. 融合用户社会关系和评分偏置信息的矩阵分解推荐算法

3.1传统的奇异值分解SVD方法

3.2.Simon Funk提出的SVD分解方法

3.3带有偏置的SVD

3.4 融合社交网络信息的SVD

3.5. 实验结果

3.6本章小结

4 融合用户信任和隐含项目关系的矩阵分解社会化推荐方法

4.1 问题定义

4.2 融合用户信任和隐式项目关系的社会化推荐（SocialSVD）

4.3评估指标和数据集

4.4 实验结果

4.5.小结

总结与展望

参考文献

攻读硕士学位期间发表论文及科研成果

致谢