基于属性和隐式社交信息的协同过滤算法研究及应用

摘要

随着互联网的高速增长，用户要从海量数据当中找到自己感兴趣的、有用的东西非常的困难。推荐系统应运而生，因其广泛的应用前景和研究价值，推荐算法一直备受关注。 近年来各种在线推荐服务的兴起对推荐算法提出了很多新的挑战，例如冷启动问题，传统基于历史行为记录的推荐算法无法为新注册的用户或新上架的物品产生精准推荐;可拓展性，用户和物品数量迅速增长时，基于内存的方法无法实现良好的在线预测，不具备可拓展性;推荐精度，推荐精度影响用户体验，良好的推荐精度才能增加用户的粘性。针对这些挑战，本论文的创新点总体上可以分为以下几点： 提出了用户端冷启动的改进算法——基于用户属性耦合的协同过滤改进算法，该改进算法在基于内存的协同过滤框架的基础上，用改进的耦合相似度捕获类别型数据之间的真正关系，在用户属性上构建相似度模型。改进的耦合相似度能更好地捕获用户之间的相似关系，在此基础上的基于用户属性耦合的改进算法在用户端冷启动阶段也能为新用户提供物品集合，实现较好的推荐精度。 提出了物品端冷启动和具备可拓展性的两种改进算法——基于平均内容属性耦合的协同过滤改进算法和基于个体内容属性耦合的协同过滤改进算法。改进算法通过在矩阵分解大框架中分别引入平均内容属性信息、个体内容属性信息的正则化项来约束矩阵分解过程，使得内容属性相似的物品学习到的物品隐特征向量也相似。基于个体内容属性耦合的协同过滤改进算法相比基于平均内容属性耦合的算法而言构建了信任传播，且避免了其平均化忽视个体多样性的缺点，进一步提升了推荐性能。基于内容属性耦合的协同过滤改进算法因引入物品端内容信息和矩阵分解框架，既具备可拓展性又能在物品冷启动阶段将物品推送给用户，且这种额外信息的引入还能提升推荐精度。 提出了提升推荐精度的改进算法——基于内容和隐式社交信息的协同过滤改进算法（CBNMF算法）。该改进算法在矩阵分解大框架耦合内容信息的情况下，继续引入隐式社交信息正则化项来约束矩阵分解过程以改进推荐精度。用户评分行为相当于用户在社交中的表现，因此隐式社交信息中的用户信任用基于评分的用户相似度间接代替，最相似的用户代表用户越信任该用户。该思想来源于社交网络用户信任传播，即用户在选择物品时会考虑身边一众朋友的意见，越信任的朋友给出的意见采纳率越高。CBNMF算法构建了信任传播，约束了如果用户A信任B，B信任C，那么矩阵分解学习到的A和B、B和C、A和C的用户隐特征向量也会尽可能相似。实验说明，本章提出的CBNMF算法能准确学习用户和物品的隐特征向量，在精确度上优于其他基准算法，且在用户评分比较多的情况下能有效提升用户的推荐精度。当然如果有显式的用户社交数据就更好了，因为它能进一步改善用户端冷启动问题。

目录

声明

摘要

插图

表格

1 绪论

1．1 研究背景及意义

1．1．1研究背景

1．1．2研究意义

1．2 国内外研究现状

1．3本文内容和章节安排

2 协同过滤算法

2．1符号介绍

2．2基于内存的协同过滤算法

2．2．1 基于用户的协同过滤算法

2．2．2基于物品的协同过滤算法

2．3 基于模型的协同过滤算法

2．3．1 矩阵分解

2．4 协同过滤算法当前存在的问题

2．5推荐算法的评价指标

3 基于用户属性耦合的协同过滤改进算法

3．1简单匹配相似度

3．2耦合对象相似度

3．3 基于用户属性耦合的协同过滤改进算法

3．4实验与分析

3．4．1数据集

3．4．2实验的评价指标

3．4．3 实验设置

3．4．4实验结果分析

3．5 本章小结

4 基于内容属性耦合的协同过滤改进算法

4．1 基于平均内容属性耦合的协同过滤改进算法

4．2 基于个体内容属性耦合的协同过滤改进算法

4．3实验以及分析

4．3．1 数据集

4．3．2实验的指标

4．3．3 实验设置

4．3．4实验结果分析

4．4 本章小结

5 基于内容和隐式社交信息的协同过滤改进算法

5．1改进算法框架

5．2实验以及分析

5．2．1 数据集

5．2．2实验的指标

5．2．3 实验设置

5．2．4实验结果分析

5．3本章小结

6总结和展望

6．1 总结

6．2 展望

参考文献

致谢