融合信任关系的协同过滤算法改进研究

摘要

随着Web2.0、移动互联网等技术的崛起，人们获取信息的方式发生了巨大的改变，信息化已经日益深入。互联网上的信息迅速增长，人们进入了大数据时代。对于信息消费者而言，如何在海量的信息数据中找到自己感兴趣的、对自己有价值的信息变得越来越困难，另一方面也让网络中大量的信息无人问津变成长尾沉默使信息利用率降低。在此需求的推动下，推荐系统应用而生，它可以通过分析用户历史行为数据，运用数据挖掘的相关技术预测用户的兴趣爱好，主动向用户推送信息。目前推荐系统已被广泛应用于各个领域。
　　此外，近几年社交网络发展十分迅速，它将现实生活中的人们通过网络联系在一起。人们可以在网络上交换信息，将这些信息应用到推荐过程中，在很大程度上弥补推荐算法的不足。本文充分挖掘社会网络中用户之间的关系，结合传统推荐算法预测用户对服务项目的评分，提高推荐的质量和可靠性。
　　本文的主要研究工作如下:
　　(1)在用户评分数据极端稀疏的情况下，传统的用户相似度计算方法存在弊端，导致推荐系统的推荐质量急剧下降。本文使用局部相似度的概念，引入重叠度因子修正用户局部相似度，然后将修正的局部相似度相加得到用户全局相似度。改进的用户相似度算法避免了传统方法中共同评分项目数据稀少但评分非常相似、用户相似度较高的不合理现象。
　　(2)传统协同过滤算法将用户间的相似度作为最终权重，生成邻居用户，没有考虑到用户间的信任关系对推荐结果的影响，本文认为用户间的信任关系也可以作为推荐的权重，生成邻居用户进而进行推荐。针对传统协同过滤算法中存在的数据稀疏性问题，本文提出了信任关系传递规则，在一定程度上缓解了上述问题。
　　(3)传统的协同过滤算法仅仅依靠用户-项目评分数据进行推荐，没有考虑到用户评分信息过期的问题，越早的评分信息价值越低，越晚的评分信息价值越高。为了更准确的对未评分项目进行预测，本文在评分预测阶段引入时间权重函数，以此来提高推荐的质量。
　　最后，为了验证本文提出的融合信任关系的协同过滤算法(STCF)的有效性，采用MovieLens数据集进行仿真实验，实验的结果表明本文提出的算法比传统的协同过滤算法准确度更高。

目录

声明

致谢

摘要

1 引言

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 推荐系统实例

1．2．2 推荐算法研究现状

1．3 研究内容

1．4 论文结构

2 推荐系统概述

2．1 推荐技术概述

2．1．1 协同过滤推荐技术

2．1．2 基于内容的推荐技术

2．1．3 基于关联规则的推荐技术

2．1．4 混合推荐技术

2．2 常用的协同过滤算法

2．2．1 基于内存的推荐算法

2．2．2 基于模型的推荐算法

2．3 推荐算法的问题

2．3．1 数据稀松问题

2．3．2 冷启动问题

2．3．3 信任问题

2．4 推荐算法评价标准

2．4．1 实验数据集

2．4．2 算法评估指标

2．5 本章小结

3 信任网络的相关理论

3．1 信任的概念

3．2 信任的性质及相关定义

3．2．1 信任的性质

3．2．2 信任的分类

3．3 信任的传递及其应用

3．3．1 信任传递的作用

3．3．2 基于信任的推荐模型

3．4 本章小结

4 改进的协同过滤推荐算法

4．1 问题的提出与分析

4．1．1 传统相似性度量方法弊端

4．1．2 信任关系对推荐的影响

4．1．3 信息过期问题

4．2 算法改进

4．2．1 改进的用户相似性度量算法

4．2．2 信任模型建立

4．2．3 引入时间权重函数

4．3 算法改进分析

4．4 本章小结

5 实验设计与结果分析

5．1 实验目的

5．2 实验准备

5．2．1 实验数据及评价指标

5．2．2 实验环境

5．3 实验设计方案及结果

5．3．1 实验方案

5．3．2 实验结果

5．4 本章总结

6 总结与展望

6．2 未来展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集