基于社交网络及隐语义模型的个性化推荐研究

摘要

在当前的网络时代，由于数据的井喷式增长，用户往往无法在海量的数据当中获取到对自己真正有效的信息，而解决这个问题最好的方式就是推荐系统。协同过滤技术作为当前推荐领域最成功，也是应用范围最广的推荐算法，其本身具有很大的研究价值和应用价值。但是，随着信息量的增长，协同过滤算法的数据稀疏性、冷启动等问题，也愈发突出。如何解决这些问题，一直都是推荐系统研究的热点和难点。
　　社交网络的兴起，为解决协同过滤算法存在的问题提供了一个有效的指引。协同过滤算法往往只考虑用户或者项目之间的兴趣关系，而忽略了用户之间可能存在的信任关联。虽然当前对个性化推荐的研究过程中，利用信任关系在一定程度上缓解了数据稀疏性的问题，但是在现有可用的网络数据中，用户间直接信任关系很多都无法直接获取到，而利用隐式计算得到的信任关系，由于数据的稀疏性，并不能很有效的体现用户之间的信任关系。因此，如何构建合理的社交网络中用户之间的兴趣信任关系，是利用社交网络来提高协同过滤算法的重要途径。
　　协同过滤算法的关键技术是邻域模型和隐语义模型，本文研究基于邻域模型和隐语义模型的推荐系统理论和实现方法，并利用社交网络改进传统的邻域模型，最终产生基于社交网络和隐语义模型的个性化推荐模型。在本文中提出了两个模型算法：
　　(1)基于用户信任和推荐反馈机制的社会化网络推荐模型。该模型综合考虑用户之间的信任兴趣关系，将信任可靠性和兴趣相似性进行融合，并将融合后的关系作为新的权重，将好友用户的意见添加到目标用户中去，同时采用推荐反馈的方式不断迭代优化权重，最终得到最优的融合信任兴趣关联的权重，构建用户的邻居模型，从而产生推荐。
　　(2)基于社交网络和隐语义模型的个性化推荐模型。该模型将用户间的信任兴趣关系加入到隐语义模型中，利用融合用户间信任兴趣关联作为新的权重，将好友意见添加到模型当中，扩展目标用户对隐式特征的偏好，并综合考虑项目元数据和隐式反馈信息，从而形成更好的推荐结果并给出合理的推荐解释。
　　本文采用经典数据集epinions和 m ovielens数据集验证模型有效性，并分别与传统的协同过滤算法，基于协同过滤模型和隐语义模型的推荐算法以及传统的隐语义模型进行对比，实验结果表明，本文提出的两个算法都能够有效缓解用户数据的稀疏性，并且提高了推荐算法的准确性和覆盖率。

目录

第一个书签之前