结合相似度量和反馈调节的推荐系统

摘要

随着信息技术的发展和互联网的普及，人们不知不觉地进入了信息过载的时代。作为处理信息过载的方法之一的推荐系统，因为能够为用户提供更好的个性化服务而成为值得研究的问题。它能够在用户没有明确需求的情况下主动帮助用户发现其感兴趣的新内容。
　　作为推荐系统核心的推荐算法，虽然以协同过滤算法的应用最为广泛，但在社交网络兴起后，以社交网络为基础的推荐系统逐渐成为新的研究热点。在真实世界中，人们倾向于信任好友对产品的推荐，他们的喜好与其信赖的朋友的喜好相似或受其影响。研究人员希望将社交网络中信任关系引入到推荐中，来模拟真实世界中的推荐。
　　本文的研究工作如下:
　　(1)我们首先介绍推荐系统的研究现状和相关工作，主要对协同过滤算法和基于社交网络的算法进行了描述，并分析现有工作中存在的问题。
　　(2)传统的相似度量在没有足够历史数据的条件下计算物品间或用户间相似度时面临问题和挑战，为了探讨这个问题，本文提出了一个新的相似度量方法，以更综合客观的角度计算相似度。
　　(3)受困于社交关系数据的稀疏性，基于社交网络的算法要去考虑网络中信任度较弱的间接邻居，有限相似的邻居带来了长尾噪音的干扰问题，降低了推荐精度。为了解决这一问题，本文设计一个合理的邻居筛选方法，挑选出相似度较高的邻居。
　　(4)已有算法都假设评分数据是客观真实的，而忽略了异常评分的存在可能。针对该问题，本文引入反馈调节机制，识别和修正异常评分项，提高推荐精度。
　　(5)本文设计并实现了一个结合相似度量和反馈调节的推荐系统，系统集成了上述方法，通过实验验证算法不仅可以缓解数据稀疏性问题和冷启动问题，而且可以有效提高推荐精度。

目录

声明

致谢

摘要

第一章 绪论

1．1 研究背景与意义

1．2 国内外研究现状

1．2．1 国外研究现状

1．2．2 国内研究现状

1．3 本文主要研究内容

1．4 论文结构

1．5 本章小结

第二章 相关工作

2．1 推荐系统的问题定义

2．2 协同过滤推荐算法

2．3 相似度量

2．3．1 余弦相似度量

2．3．2 皮尔逊相关系数

2．3．3 调整后的余弦相似度

2．4 基于社交网络的推荐算法

2．5 信任度量

2．5．1 同等信任

2．5．2 差异信任

2．6 推荐评测

2．6．1 预测准确度

2．6．2 准确率和召回率

2．6．3 覆盖率

2．6．4 用户满意度

2．6．5 其他指标

2．7 本章小结

第三章 结合相似度量与反馈调节的推荐算法

3．1 研究动机

3．2 算法设计

3．2．1 重合相似度量

3．2．2 近邻筛选

3．2．3 反馈调节

3．3 算法伪代码

3．4 实验与分析

3．4．1 实验数据集

3．4．2 SCFA算法的评价指标

3．4．3 实验结果及分析

3．5 本章小结

第四章 结合相似度量与反馈调节推荐算法原型系统

4．1 概述

4．2 系统模型

4．3 系统运行效果

4．4 本章小结

第五章 总结与展望

5．1 总结

5．2 展望

参考文献

攻读学位期间的学术活动及成果情况