社交网络环境下基于用户关系强度的多维度综合推荐方法研究

《社交网络环境下基于用户关系强度的多维度综合推荐方法研究》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、学校代码：10270分类号：TP311学号：152201104硕士学位论文社交网络环境下基于用户关系强度的多维度综合推荐方法研究学院：信息与机电工程学院专业：计算应用技术研究方向：智能信息处理研究生姓名：穆翠指导教师：张波完成日期：2018.04.02上海师范大学硕士学位论文摘要摘要互联网技术的迅速发展为人们生活带来了各种便利，但也给人们带来了许多负面的影响，也即海量数据下使得人们无从选择自己想要的信息，而推荐系统正是为了解决信息过载而产生。日常生活中人们通过社交网络平台来实现信息传播与共享，随着社交网络中用户规模的不断增长，社交网络所呈现的社会影响力日

2、益巨大。因此，针对于社交网络中的用户关系所呈现的影响力来进行推荐分析，这已经成为各推荐研究专家的研究方向。当前基于社交网络的实体推荐是推荐研究的热点，另外社交网络的实体推荐目前是社交网络研究分析的主要问题之一。目前推荐系统已经得到了广泛的研究，传统的推荐系统主要包括协同过滤推荐系统、基于内容的推荐系统等，一些典型的推荐方法在实际应用中得到有效的应用。然而，传统的推荐方法存在着一些问题，其未能将从社交网络中提取更多有用的信息，进而从多个维度进行综合考虑来进行实体的推荐，这势必会造成推荐结果的精确度较低。针对传统推荐系统研究的不足，本研究聚焦于社交网络中用户

3、关系强度研究分析工作，提出了一种社交网络环境下基于用户关系强度的多维度综合推荐方法。论文的主要工作包括：（1）在用户关系强度建模与分析中，给出了用户关系强度的估算的维度主要包括用户评论的稳定性、用户相互可靠度、用户交互的频率、用户共同邻居及相似社区；（2）在推荐因子建模与分析中，推荐因子主要包括实体相似度以及用户兴趣度，首先，给出了实体相似度的定义以及基于实体类型相似度、实体价位相似度、实体的评价相似度、实体销售额相似度来对实体相似度进行估算；其次，给出了用户兴趣度的定义以及对应的估算方法；（3）多维度综合推荐算法的实现。主要包括用户候选集算法、实体候选

4、集算法、用户兴趣度算法和模块综合推荐算法；（4）实验表明，本研究所提出的社交网络环境下基于用户关系强度的多维度综合推荐方法与传统的推荐方法相比具有较好的性能。关键词：推荐系统；社交网络；用户关系强度；实体相似度；用户兴趣度I摘要上海师范大学硕士学位论文IIShanghaiNormalUniversityMasterofPhilosophyAbstractAbstractWiththerapiddevelopmentofinternettechnology,itbringsconvenienceduringourlives,butitalsobringsm

5、anynegativeinfluencesforus.Thatis,manypeopleareunabletochoosetheinformationwhattheywantunderthemassivedata,andtherecommendationsystemcanbepreciselytosolvetheoverloadinginformation.Peopleusuallycommunicateandshareinformationwithotherpersonsthroughsocialnetworkingplatformsintheirda

6、ilylife,anditistheincreasinglysignificantaboutthesocialinfluencesofsocialnetworkwiththecontinuousgrowthofthenumberofusersinsocialnetworks.Therefore,theanalysisofrecommendationisbasedontheinfluencesoftheuserrelationshipsinthesocialnetwork,whichhasbecometheresearchdirectionofmanyex

7、pertsintheaspectofrecommendationsystem.Atpresent,therecommendationofsocialnetwork-basedentityisahottopicinrecommendationresearch.Inaddition,therecommendationofsocialnetworkentityisalsooneofthemajorissuesintheresearchandanalysisofsocialnetwork.Therecommendationsystemhasbeenstudied

8、extensivelyatpresent.Thetraditionalrecom