資源描述：
《基于社交網(wǎng)絡(luò)與屬性信息的推薦算法研究與應(yīng)用》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、碩士學(xué)位論文論文題目：基于社交網(wǎng)絡(luò)與屬性信息的推薦算法研究與應(yīng)用作者姓名林振濤指導(dǎo)教師劉志教授學(xué)科專業(yè)計算機科學(xué)與技術(shù)培養(yǎng)類別全日制學(xué)術(shù)型碩士研究生所在學(xué)院計算機科學(xué)與技術(shù)學(xué)院提交日期2017年5月17日萬方數(shù)據(jù)浙江工業(yè)大學(xué)碩士學(xué)位論文基于社交網(wǎng)絡(luò)與屬性信息的推薦算法研究與應(yīng)用作者姓名：林振濤指導(dǎo)教師：劉志浙江工業(yè)大學(xué)計算機科學(xué)與技術(shù)學(xué)院2017年5月萬方數(shù)據(jù)DissertationSubmittedtoZhejiangUniversityofTechnologyfortheDegreeofMasterResearchandApplicat
2、ionofRecommenderSystembasedonSocialNetworkandAttributeInformationCandidate:LinZhentaoAdvisor:LiuZhiCollegeofComputerScienceandTechnologyZhejiangUniversityofTechnologyMay2017萬方數(shù)據(jù)浙江工業(yè)大學(xué)學(xué)位論文原創(chuàng)性聲明本人鄭重聲明：所提交的學(xué)位論文是本人在導(dǎo)師的指導(dǎo)下，獨立進行研究工作所取得的研究成果。除文中已經(jīng)加以標(biāo)注引用的內(nèi)容外，本論文不包含其他個人或集體已經(jīng)發(fā)表或撰寫過的
3、研究成果，也不含為獲得浙江工業(yè)大學(xué)或其它教育機構(gòu)的學(xué)位證書而使用過的材料。對本文的研究作出重要貢獻的個人和集體，均已在文中以明確方式標(biāo)明。本人承擔(dān)本聲明的法律責(zé)任。作者簽名：日期：年月日學(xué)位論文版權(quán)使用授權(quán)書本學(xué)位論文作者完全了解學(xué)校有關(guān)保留、使用學(xué)位論文的規(guī)定，同意學(xué)校保留并向國家有關(guān)部門或機構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱。本人授權(quán)浙江工業(yè)大學(xué)可以將本學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存和匯編本學(xué)位論文。本學(xué)位論文屬于1、保密□，在一年解密后適用本授權(quán)書。2、保密□，在二
4、年解密后適用本授權(quán)書。3、保密□，在三年解密后適用本授權(quán)書。4、不保密□。（請在以上相應(yīng)方框內(nèi)打“√”）作者簽名：日期：年月日導(dǎo)師簽名：日期：年月日萬方數(shù)據(jù)浙江工業(yè)大學(xué)碩士學(xué)位論文基于社交網(wǎng)絡(luò)與屬性信息的推薦算法研究與應(yīng)用摘要在信息過載的年代，用戶想要從海量信息中找到感興趣信息非常耗費精力。針對這個問題，推薦系統(tǒng)根據(jù)用戶信息學(xué)習(xí)偏好，然后從海量信息中挖掘出用戶感興趣的信息推薦給用戶。但在實際應(yīng)用中，推薦系統(tǒng)存在著數(shù)據(jù)稀疏性、冷啟動等問題，這些問題降低了推薦系統(tǒng)的推薦效果。針對這些問題，相關(guān)研究從增加多種輔助信息方面來緩解這個問題。本文對輔助
5、信息中的社交用戶關(guān)系和屬性信息方面進行研究，發(fā)現(xiàn)了一些現(xiàn)有研究存在的不足，針對這些不足之處，提出兩種算法，并進行實驗分析以證明算法的有效性。本文的主要工作和成果如下：1.在社交信息方面，提出了一種基于個體差異的社交融合方法。針對傳統(tǒng)方法在評估社交用戶信任值的不足，采用使用PCC、JACCARD的融合計算的評分相似度和社交朋友數(shù)量信息計算社交信任值。針對用戶在決策時，受到自身興趣和朋友興趣的影響的個體差異，采用可變方式融合用戶興趣和朋友興趣來預(yù)測用戶對商品的評分，并使用相應(yīng)正規(guī)項以避免過度擬合。實驗結(jié)果表明該方法可以在一定程度上提升預(yù)測精度。
6、2.在屬性信息方面，提出基于屬性偏好自學(xué)習(xí)的推薦方法。針對社交網(wǎng)絡(luò)中關(guān)系形成速度慢且獲取難度高的問題，從屬性信息方面來緩解數(shù)據(jù)稀疏性和冷啟動問題。針對用戶、商品協(xié)同過濾具有可解釋性但運行速度慢、矩陣分解模型運行速度快但缺乏可解釋性，采用用戶對屬性值的偏好程度和屬性值對商品的評分來預(yù)測用戶對商品的評分。實驗結(jié)果表明該模型運行時間較快、且在評分數(shù)據(jù)稀疏的情況優(yōu)于傳統(tǒng)的協(xié)同過濾方法和基本矩陣分解模型。3.論文最后設(shè)計一個通用推薦系統(tǒng)。該系統(tǒng)使用評分數(shù)據(jù)、社交網(wǎng)絡(luò)信息、屬性信息來，根據(jù)用戶信息的稀疏程度使用不同模型來緩解推薦系統(tǒng)存在的冷啟動和數(shù)據(jù)稀
7、疏性問題。關(guān)鍵詞：推薦系統(tǒng)，社交網(wǎng)絡(luò)，社交融合，屬性信息，屬性偏好i萬方數(shù)據(jù)浙江工業(yè)大學(xué)碩士學(xué)位論文RESEARCHANDAPPLICAITONOFRECOMMENDERSYSTEMSBASEDONSOCIALNETWORKANDATTRBIUEINFORMATIONABSTRACTIntheeraofinformationoverload,userscostsomuchtimetofindusefulinformationfromthemassiveinformation.Aimingatsolvingthisproblem,recomm
8、endersystemslearnuserpreferencefromuserinformationandthenmineinformationwhichuserinterest
