基于情境上下文和社交网络的个性化推荐方法研究

摘要

随着Web2.0时代的到来，我们面临最大的问题就是信息过载，搜索引擎和推荐系统的出现解决了这个问题。协同过滤推荐算法是现在最常用也是最成功的推荐技术之一，在电子商务等诸多领域有着广泛的应用。但是传统的协同过滤推荐算法存在稀疏性和冷启动等问题，所以很有必要在推荐算法中引入新的数据源来减轻这些问题。情境上下文和社交网络可以给推荐系统提供更多关于用户的信息。相比传统的协同过滤推荐算法，引入情境上下文可以帮助用户更准确地找到用户感兴趣的项目，社交网络则可以提供更多的用户偏好信息以及用户行为数据，从而部分地缓解了推荐系统的稀疏性和冷启动问题。所以如何融合情境上下文和社交网络信息来提高推荐系统的准确度是一个很值得研究的问题。
　　本文提出了几种融合时间上下文、地点上下文和用户社交网络信息推荐算法。在传统的协同过滤算法相似度计算的基础之上，进行如下改进:
　　1.用户的兴趣会随时间的推移而产生变化，本文考虑两个方面的时间变化:一个是用户随时间变化的兴趣相似度，另一个是相似用户的最近兴趣。我们引入了一个时间衰减函数来体现用户不同时期的兴趣变化。
　　2.不同地方的用户兴趣存在着一定的差别，本文将用户按照不同城市进行类别划分，相同城市用户的地点相似度权重大，不同城市用户的地点相似度权重小。
　　3.用户往往对基于自己好友的推荐信息更加信任，因此如果推荐项目是好友感兴趣的项目，那么用户就会更相信推荐结果。本文根据用户社交网络信息计算用户的熟悉程度，用户之间的共同好友比例越高，用户之间越熟悉，他们的兴趣相似度也就越高。
　　本文将以上三种信息通过不同的方式线性加权融合到传统的协同过滤算法中，并且通过在豆瓣数据集上进行实验，证明了本文提出的改进算法比传统的协同过滤算法对推荐准确度有明显的提高。

目录

声明

摘要

第1章 绪论

1．1 课题背景和研究意义

1．1．1 课题背景

1．1．2 研究意义

1．2 国内外研究现状

1．3 本文主要内容

1．4 论文组织结构

第2章 传统协同过滤推荐算法及其评价方法研究

2．1 传统的协同过滤推荐算法

2．1．1 基于用户的协同过滤推荐算法

2．1．2 基于项目的协同过滤推荐算法

2．2 主要的相似度计算方法

2．2．1 余弦相似度

2．2．2 皮尔逊相似度

2．2．3 修正余弦相似度

2．2．4 杰卡德相似度

2．3 推荐算法评价

2．3．1 评分预测的评价

2．3．2 Top-N的评价

2．4 推荐算法面l临的主要挑战

2．5 小结

第3章 基于情境上下文和社交网络的协同过滤推荐算法

3．1 基于情境上下文的推荐算法

3．1．1 时间上下文

3．1．2 地点上下文

3．1．3 基于时间、地点上下文的推荐算法

3．2 基于社交网络的推荐算法

3．2．1 社交网络和推荐系统

3．2．2 社交网络的表示

3．2．3 基于社交网络的推荐算法

3．3 基于情境上下文和社交网络的推荐算法

3．3．1 基于时间上下文和社交网络的推荐算法

3．3．2 基于时间、地点上下文和社交网络的推荐算法

3．4 小结

第4章 实验与结果分析

4．1 数据集选取

4．2 实验设计

4．2．1 实验环境

4．2．2 数据预处理

4．2．3 实验对比的各种算法

4．3 实验结果分析

4．3．1 参数取值的确定

4．3．2 实验结果

4．3．3 实验结果对比分析

4．4 小结

结论

致谢

参考文献

攻读硕士学位期间发表的论文