基于最大团的协同过滤算法的研究与改进

《基于最大团的协同过滤算法的研究与改进》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、武汉邮电科学研究院硕士学位论文基于最大团的协同过滤算法的研究与改进ResearchandImprovementofCollaborativeFilteringAlgorithmBasedonMaximumClique专业：通信与信息系统研究方向：大数据与云计算导师：汪洋研究生：陈小礼学号：20150004二〇一八年一月武汉邮电科学研究院硕士学位论文摘要最近几十年计算机科技的飞速发展，使得英特网的使用愈来愈广泛，普及程度也愈来愈高。但在给网民带去更多更优秀产品的同时，也使得网络上的数据量呈现出几何级增长的情况，导致信

2、息过载现象的出现。而推荐系统正是针对信息过载这一问题，提出的解决方案。传统推荐系统存在较多问题：严重的冷启动和数据稀疏问题，将会造成推荐系统推荐效率低下。群体推荐系统只考虑群体对个人的影响进而进行推荐，对于某些缺少社会关系的成员将造成新的冷启动问题。基于信任网络的推荐系统中社会化好友紧密标准不一，信任程度难以衡量。过度的信任外放容易造成对用户兴趣理解的偏差。本文针对以上问题，吸取传统推荐系统的优点，结合图论知识和社交网络关系对传统的协同过滤算法进行改进，解决上述已存在的问题。主要内容研究如下：（1）研究了常见的回溯

3、法、分支界限法和Bron-Kerbosch等3种最大团算法和2种新兴的蚁群算法及其改进的最大团算法。通过对比Bron-Kerbosch算法与2种蚁群算法的时间性能，选择了时间效率最高的改进版蚁群算法作为发现最大团算法，为下文算法融合打下基础。（2）研究了社交网络关系特征，希望通过社交网络关系来改善传统推荐系统的冷启动问题。同时详细描述了基于最大团的协同过滤算法改进的步骤：通过选择出社交网络中的最大团成员与协同推荐系统结合在一起，提出了一种混合最大团与协同过滤算法以生成群体推荐项目集合；最后融合多个团得分来替代原始推

4、荐分，并将未替代的传统的推荐值与替代推荐值一起作为推荐集合，推荐给各个成员。（3）为验证该方法的有效性，本文采用YELP数据将两组实验进行对比。通过大量的实验对比可以验证本文提出的基于最大团的协同过滤改进算法具有一定程度的可靠性与有效性，相较于传统的协同过滤算法，推荐的准确率有1%左右的提升。而且对于传统推荐系统中比较严重的冷启动问题减少了0.13%。关键词：社交网络最大团协同过滤冷启动I武汉邮电科学研究院硕士学位论文AbstractDuetotherapiddevelopmentofcomputerscience

5、andtechnologyintherecentdecades,theInternethasbeenusedmoreandmorewidelyandpopularizedamongthemasses.However,Internetuserstobringmorechoiceandbetterproductsatthesametime,butalsomakesthenetworkdatashowageometricmultiplesofgrowth,leadingtotheemergenceofinformatio

6、noverload.Duetothe"informationoverload"phenomenon,therecommendersystemcameintobeing.Therearemanyproblemswiththetraditionalrecommendationsystem:severecoldstartanddatasparsenessproblemswillcausetherecommendationsystemtobelessefficient.Thegroupreferralsystemonlyc

7、onsiderstheinfluenceofthegroupontheindividualandthenmakesrecommendations,whichwillcauseanewcoldstartproblemforsomememberswholacksocialrelations.Thetrustworthinessisdifficulttomeasurebecauseoftheclosestandardofsocializedfriendsintherecommendationsystembasedontr

8、ustnetwork.Excessivetrustandextroverteasilyleadtotheuser'sinterestinunderstandingthedeviation.Inviewoftheaboveproblems,wedrawontheadvantagesofthetraditionalrecommendationsystemandi