資源描述：
《基于社交網(wǎng)絡(luò)的推薦算法研究》由會(huì)員上傳分享，免費(fèi)在線(xiàn)閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、碩士學(xué)位論文MASTER’SDISSERTATION論文題目基于社交網(wǎng)絡(luò)的推薦算法研究作者姓名孫亞彬?qū)W科專(zhuān)業(yè)計(jì)算機(jī)科學(xué)與技術(shù)指導(dǎo)教師張付志教授2016年5月中圖分類(lèi)號(hào)：TP393學(xué)校代碼：10216UDC：621.3密級(jí)：公開(kāi)工學(xué)碩士學(xué)位論文基于社交網(wǎng)絡(luò)的推薦算法研究碩士研究生：孫亞彬?qū)煟簭埜吨窘淌谏暾?qǐng)學(xué)位：工學(xué)碩士學(xué)科專(zhuān)業(yè)：計(jì)算機(jī)科學(xué)與技術(shù)所在單位：信息科學(xué)與工程學(xué)院答辯日期：2016年5月授予學(xué)位單位：燕山大學(xué)ADissertationinComputerScienceandTechnologyRESEARCHO
2、NRECOMMENDATIONALGORITHMBASEDONSOCIALNETWORKbySunYabinSupervisor:ZhangFuzhiYanshanUniversityMay,2016燕山大學(xué)碩士學(xué)位論文原創(chuàng)性聲明本人鄭重聲明：此處所提交的碩士學(xué)位論文《基于社交網(wǎng)絡(luò)的推薦算法研究》，是本人在導(dǎo)師指導(dǎo)下，在燕山大學(xué)攻讀碩士學(xué)位期間獨(dú)立進(jìn)行研究工作所取得的成果。論文中除已注明部分外不包含他人已發(fā)表或撰寫(xiě)過(guò)的研究成果。對(duì)本文的研究工作做出重要貢獻(xiàn)的個(gè)人和集體，均已在文中以明確方式注明。本聲明的法律結(jié)果將完全由
3、本人承擔(dān)。作者簽字：日期：年月日摘要摘要推薦系統(tǒng)是信息過(guò)濾領(lǐng)域一項(xiàng)重要的技術(shù)。隨著電子商務(wù)的發(fā)展，網(wǎng)絡(luò)中新增的用戶(hù)和項(xiàng)目越來(lái)越多。面對(duì)如此龐大的項(xiàng)目群，用戶(hù)往往只對(duì)很少一部分項(xiàng)目進(jìn)行評(píng)分，更多的項(xiàng)目通常是沒(méi)有評(píng)分的，所以評(píng)分?jǐn)?shù)據(jù)的稀疏問(wèn)題變得日益嚴(yán)重。在評(píng)分稀疏的情況下，推薦算法的推薦精度是比較低的。隨著社交網(wǎng)絡(luò)的興起，人們發(fā)現(xiàn)在推薦系統(tǒng)中并入信任信息可以提高推薦算法的推薦精度，而且基于社交網(wǎng)絡(luò)的推薦也更符合現(xiàn)實(shí)情況。但社交網(wǎng)絡(luò)中的信任信息同樣面臨著稀疏問(wèn)題。本文就是針對(duì)如何緩解數(shù)據(jù)稀疏性，提高算法的推薦精度展開(kāi)研究的
4、。首先，針對(duì)評(píng)分稀疏情況下推薦算法預(yù)測(cè)精度較低的問(wèn)題，提出一種融合加權(quán)信任的概率矩陣分解算法。采用一種改進(jìn)的Jaccard相似性計(jì)算方法計(jì)算信任用戶(hù)之間的相似值，將其作為權(quán)重因子給原始的信任評(píng)分加權(quán)，從而得到一個(gè)加權(quán)信任；構(gòu)造融合了加權(quán)信任的基準(zhǔn)偏移、用戶(hù)特征矩陣上的和用戶(hù)項(xiàng)目評(píng)分上的條件分布；構(gòu)造擴(kuò)展的概率矩陣分解模型；通過(guò)調(diào)整因子控制信任信息在推薦過(guò)程中的比重。其次，針對(duì)社交網(wǎng)絡(luò)中信任數(shù)據(jù)稀疏的問(wèn)題，提出一種融合相似性和填充信任矩陣的協(xié)同推薦算法。首先，基于原始的信任矩陣計(jì)算信任用戶(hù)的相似用戶(hù)集，接著度量信任用戶(hù)之
5、間的信任程度，依照信任傳遞的原理預(yù)測(cè)新的信任評(píng)分，用新的信任評(píng)分填充原始的信任矩陣；采用改進(jìn)的Jaccard方法得到目標(biāo)用戶(hù)的鄰居集合；最后，基于目標(biāo)用戶(hù)的信任用戶(hù)和鄰居用戶(hù)共同為目標(biāo)用戶(hù)做推薦。最后，根據(jù)模型設(shè)計(jì)推薦算法。在Epinions數(shù)據(jù)集上做實(shí)驗(yàn)，將本文提出的推薦算法與其他相關(guān)算法進(jìn)行分析比對(duì)。關(guān)鍵詞：推薦系統(tǒng)；概率矩陣分解；社會(huì)信任；相似性；基準(zhǔn)偏移；信任傳遞-I-AbstractAbstractRecommendersystemisanimportanttechnologyinthefieldofinfo
6、rmationfiltering.Withthedevelopmentofe-commerce,moreandmoreusersanditemsaddtothenetwork.Facedwithsuchalargegroupofitems,usersusuallygiveratingstoasmallpartofitems,andmoreitemshavenoratingsusually,sothedatasparsitywillbecomeseriousincreasingly.Inthiscondition,the
7、recommendationaccuracyofrecommendationalgorithmisrelativelylow.Withtheappearanceofsocialnetworks,peoplefindthatincorporatingtrustinformationintotherecommendersystemcanimprovetherecommendationaccuracy,andrecommendersystemsbasedonsocialnetworkaremorerealistic.Butt
8、hesocialnetworkinformationisalsosparse.Thispaperaimstoalleviatethedatasparsityandimprovetheaccuracyofrecommendersystem.Firstly,tosolvetheproblemoflowpredictaccuracy,w
