基于屬性和隱式社交信息的協(xié)同過濾算法研究及應(yīng)用

《基于屬性和隱式社交信息的協(xié)同過濾算法研究及應(yīng)用》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、：１０３３５分類號(hào)：?jiǎn)挝淮a學(xué)號(hào)：２１５３５０３１密級(jí)：公開碩士學(xué)位論文中文論文題目：基于屬性和隱式社交信息的協(xié)同過濾算法研究及應(yīng)用ｒ－英文論文題目ｅａｒｃｈｏｎｃｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅｉｎａｌ：Ｒｅｓｇ？ｏｒｉｔｈｍｓｃｏｍｂｉｎｉｎｇａｔｔｒｉｂｕｔｅｓａｎｄｉｍｇｌｉｃｉｔｓｏｃｉａｌｉｎｆｏｒｍａｔｉｏｎｐ：姜海楠申請(qǐng)人姓名：吳慶標(biāo)教授指導(dǎo)教師：計(jì)算數(shù)學(xué)專業(yè)名稱、研究方向：數(shù)據(jù)挖掘機(jī)器學(xué)習(xí)所在學(xué)院：數(shù)學(xué)科學(xué)學(xué)院論文提交日期２０１８年１月９日

2、基于屬性和隱式社交信息的協(xié)同過濾算法研究及應(yīng)用論文作者簽名：指導(dǎo)教師簽名：論文評(píng)閱人１：評(píng)閱人２：評(píng)閱人３：評(píng)閱人４：評(píng)閱人５：答辯委員會(huì)主席：委員１：委員２：委員３：委員４：委員５：答辯日期：２０１８年３月３日浙江大學(xué)研究生學(xué)位論文獨(dú)創(chuàng)性聲明本人聲明所呈交的學(xué)位論文是本人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果。除了文中特別加以標(biāo)注和致謝的地方外，論文中不包含其他人已經(jīng)發(fā)表或撰寫過的研究成果，也不包含為獲得浙江大學(xué)或其他教育機(jī)構(gòu)的學(xué)位或證書而使

3、用過的材料。與我一同工作的同志對(duì)本研究所做的任何貢獻(xiàn)均已在論文中作了明確的說明并表示謝意。：學(xué)位論文作者簽名：Ｉ裔楠簽字曰期丨＆年多月曰４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浙江大學(xué)有權(quán)保留并向國(guó)家有關(guān)部門或機(jī)構(gòu)送交本論文。的復(fù)印件和磁盤，允許論文被查閱和借閱本人授權(quán)浙江大學(xué)可以將學(xué)位論文的全部、或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索和傳播，可以采用影印縮印或掃描等復(fù)制手段保、匯編學(xué)位論文存。（保密的學(xué)位論文在解密后適用本授權(quán)書）＾＇？學(xué)位論文作者簽名：ｉ海掬丨：＞〇：簽字曰期丨？年２月１曰簽字曰期？年｝月曰｜摘

4、要、隨著互聯(lián)網(wǎng)的高速增長(zhǎng)，用戶要從海量數(shù)據(jù)當(dāng)中找到自己感興趣的有用的東西非常一，的困難。推薦系統(tǒng)應(yīng)運(yùn)而生，因其廣泛的應(yīng)用前景和研究?jī)r(jià)值推薦算法直備受關(guān)注。近年來各種在線推薦服務(wù)的興起對(duì)推薦算法提出了很多新的挑戰(zhàn)，例如冷啟動(dòng)問題，傳統(tǒng)基于歷史行為記錄的推薦算法無法為新注冊(cè)的用戶或新上架的物品產(chǎn)生精準(zhǔn)推薦；可拓展性，，不，用戶和物品數(shù)量迅速增長(zhǎng)時(shí)基于內(nèi)存的方法無法實(shí)現(xiàn)良好的在線預(yù)測(cè)具備可拓展性推薦精度。，推薦精度影響用戶體驗(yàn)，良好的推薦精度才能增加用戶的粘性針；些挑戰(zhàn)上可以分為以下幾點(diǎn)：對(duì)這，本論文的創(chuàng)新點(diǎn)總體？—基于用戶屬性耦合的協(xié)同過濾改

5、進(jìn)算法提出了用戶端冷啟動(dòng)的改進(jìn)算法，該改進(jìn)算法在基于內(nèi)存的協(xié)同過濾框架的基礎(chǔ)上，用改進(jìn)的耦合相似度捕獲類別型數(shù)據(jù)。之間的真正關(guān)系，在用戶屬性上構(gòu)建相似度模型改進(jìn)的耦合相似度能更好地捕獲用戶之間的相似關(guān)系，在此基礎(chǔ)上的基于用戶屬性耦合的改進(jìn)算法在用戶端冷啟動(dòng)階段也能為新用戶提供物品集合，實(shí)現(xiàn)較好的推薦精度。？提出了物品端冷啟動(dòng)和具備可拓展性的兩種改進(jìn)算法—基于平均內(nèi)容屬性耦合的協(xié)同過濾改進(jìn)算法和基于個(gè)體內(nèi)容屬性耦合的協(xié)同過濾改進(jìn)算法。改進(jìn)算法通過在矩陣分解大框架中分別引入平均內(nèi)容屬性信息、個(gè)體內(nèi)容屬性信息的正則化項(xiàng)來約束矩陣分解過程，使得內(nèi)

6、容屬性相似的物品學(xué)習(xí)到的物品隱特征向量也相似?；冢崳妭€(gè)體內(nèi)容屬性耦合的協(xié)同過濾改進(jìn)算法相比基于平均內(nèi)容屬性耦合的算法而言構(gòu)建一，了信任傳播，且避免了其平均化忽視個(gè)體多樣性的缺點(diǎn)進(jìn)步提升了推薦性能?；崳娪趦?nèi)容屬性耦合的協(xié)同過濾改進(jìn)算法因引入物品端內(nèi)容信息和矩陣分解框架，既具備可拓展性又能在物品冷啟動(dòng)階段將物品推送給用戶，且這種額外信息的引入還能提升推薦精度。？提出了提升推薦精度的改進(jìn)算法—基于內(nèi)容和隱式社交信息的協(xié)同過濾改進(jìn)算法ＣＢＮＭＦ，繼續(xù)引入隱（算法）。該改進(jìn)算法在矩陣分解大框架耦合內(nèi)容信息的情況下式社交信息正則化項(xiàng)來約束矩陣分解過程以改

7、進(jìn)推薦精度。用戶評(píng)分行為相當(dāng)于用戶在社交中的表現(xiàn)，因此隱式社交信息中的用戶信任用基于評(píng)分的用戶相似度間接。該思想來源于社交網(wǎng)絡(luò)用戶信任傳播，代替，最相似的用戶代表用戶越信任該用戶一眾朋友的意見即用戶在選擇物品時(shí)會(huì)考慮身邊，越信任的朋友給出的意見采納率Ｉ浙江大學(xué)碩士學(xué)位論文摘要越高。ＣＢＮＭＦ算法構(gòu)建了信任傳播，約束了如果用戶Ａ信任Ｂ，Ｂ信任Ｃ，那么矩陣分解學(xué)習(xí)到的Ａ和Ｂ、Ｂ和Ｃ、Ａ和Ｃ的用戶隱特征向量也會(huì)盡可能相似。實(shí)驗(yàn)說明，本章提出的ＣＢＮＭＦ算法能準(zhǔn)確學(xué)習(xí)用戶和物品的隱特征向量，在精確度上優(yōu)于其