基于用户关系的矩阵分解推荐算法研究

《基于用户关系的矩阵分解推荐算法研究》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、ＩＰ学校代码：１０００４密级：公开如交道乂＃讀ＢＥＩＪＩＮＧＪＩＡＯＴＯＮＧＵＮＩＶＥＲＳＩＴＹ硕±学位论文基于用户关系的矩阵分解推荐算法研究—對巧业－ｉｈ算ｍ群％齡＇瞧麵师沈鸿教授培养院系计龍与信龍术学院．ｔＪ撫，。漏二零溫Ｈ月ｉ嘘主如交道乂攀硕ｄ：学位论文基于用户关系的矩阵分解推荐算法研究民ｅｓｅａｒｃｈｏｎＭａｔｒｉｘＦａｃｌ；ｏｒｉｚａｔｉｏｎ民ｅｃｏｍｍｅｎｄｅｒＳｓｔ；ｅｍｗｉｔｈＵｓｅｒｙＲｅｌａｔｉｏｎｓｈｉｐ作者：张志绮导师：沈鸿北京交通大学２０１６年３月

2、学位论文版权使用授权书本学位论文作者完全了解北京交通大学有关保留、使用学位论文的规定。特授权北京交通大学可ＩＵ将学位论文的全部或部分内容编入有关数据库进行检索，提供阅览服务，并采用影印、缩印或扫描等复制手段保存、汇编供查阅和借阅。同意学校向国家有关部口或机构送交论文的复印件和磁盘。学校可为存在馆际合作关系的兄弟高校用户提供文献传递服务和交换服务。（保密的学位论文在解密后适用本授权说明）学位论文作者签名：＾导师签名：＾！：＾月／曰签字曰期签字曰期口：年４年＾＿＾月曰＾学校代码：１０００４密级：公开北京交通大学硕壬学位论文

3、基于用户关系的矩阵分解推荐算法研究民ｅｓｅａｒｃｈｏｎＭａｔｒｉｘＦａｃｔ；ｏｎｚａｔｉｏｎ民ｅｃｏｍｍｅｎｄｅｒＳｙｓ１；ｅｍｗｉ化ＵｓｅｒＲｅｌａｔｉｏｎｓｈｉｐ作者姓名：张志绮学号：１３１２０４已６导师姓名：沈鸿职称：教授学位类别：工学学位级别：硕±学科专业：计算机科学与技术研究方向：数据挖掘北京交通大学２０１６年３月ｉ致谢、两年半的研究生时光接近尾声，回首走过的岁月，繁忙无奈、喜悦、难过一一一起，特别各种情感都交错在了。从对科研生活的无所知开始，路磕磕鲜鲜在课题的选择上遇到了很多困难，我

4、的导师沈鸿教授多次帮助我分析课题的可研、巧性感谢沈鸿老师对我的指导。在导师的指导下，课题设计、实验工，由此衷屯＇作。、论文撰写等方面的技能都得到了有效的提升一。自从研究生课程结束后，大部分的科研生活都在实验室度过从开始浮躁的也态到相对稳重的面对科研难题的转变少不了实验室其他老师及师兄师姐的一帮助，在此我非常感谢先进计算所的李泡东、桑应鹏、郭俊老师和起在实验室学习的师兄师姐们。。他们无论是学习还是生活方面的指导都让我少走了很多弯路、此外，并耐屯的帮我化解这些，更要感谢父母在我必情烦躁的时候倾听我的苦恼烦恼。、，感谢你们对本文最后，向参

5、加论文评审的各位专家教授表达深深的谢意提出宝贵的意见。北京交通大学硕古学位论文摘要摘要在互联网信息量Ｗ不可估量的速度增长的时代，用户在泡杂各种各样信息的一信息池中找到所需的内容己然成为个棘手的问题一。针对这问题，推荐系统被一提出。推荐系统是种新的计算模型，它试图从海量信息中过滤出目标用户可能感兴趣的信息。原始的推荐算法普遍基于协同过滤的思想，这种思路来源于人们在选购商品时的自然法则。通常，用户对于未知物品束手无策时总是会请教身边有经验的人，然后根据这些人的经验分享判断物品是否有用。协同过滤算法将这，种思想运用在推荐系统上。然而协同过滤主

6、要存在Ｈ类问题：数据稀疏性高、冷启动Ｗ及系统的可扩展性。为缓解上述问题，基于社会网络的推荐系统应运而生，这种用户关系从各方面。社会网络的形成是通过人们在互联网上的交互行为体现了人们在真实社会中的人际关系。因此，将社会网络与推荐系统组合形成基于社会网络的推荐系统能够丰富推荐结果。矩阵分解模型是推荐系统的经典模型，由于其具有良好的可扩展性，使得社一会网络信息易于与该模型结合。在这机制下，提取相似用户群体是提高推荐系统准确性的关键因素。传统的相似性函数是评判两个用户对于相同物品的反馈行，为的相似性，其中，反馈行为的相似性并不能说明两个用户具有相

7、似的兴趣爱好而且，该方法忽略了用户的社会关系的作用。因此，本文通过深入分析用户间的关联程度，并针对相似性函数的特性分别，提出了两种新的兴趣相似性计算函数。建立新的社会正则化，最后将其运用在基于矩阵分解的推荐模型中一通过对上述研究工作的深入分析，发现这两个新的相似性函数个反映了用一一一户间对的兴趣相似性，个则反映了目标用户与其所有朋友的平均兴趣相似性。如果社会网络密度相当紧。此外，这两个相似性函数是基于社会网络密度的。，密，那么这两个函数的值更接近用户的兴趣相似性为了丰富社会网络信息本一一