基于属性和隐式社交信息的协同过滤算法研究及应用

《基于属性和隐式社交信息的协同过滤算法研究及应用》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、：１０３３５分类号：单位代码学号：２１５３５０３１密级：公开硕士学位论文中文论文题目：基于属性和隐式社交信息的协同过滤算法研究及应用ｒ－英文论文题目ｅａｒｃｈｏｎｃｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅｉｎａｌ：Ｒｅｓｇ？ｏｒｉｔｈｍｓｃｏｍｂｉｎｉｎｇａｔｔｒｉｂｕｔｅｓａｎｄｉｍｇｌｉｃｉｔｓｏｃｉａｌｉｎｆｏｒｍａｔｉｏｎｐ：姜海楠申请人姓名：吴庆标教授指导教师：计算数学专业名称、研究方向：数据挖掘机器学习所在学院：数学科学学院论文提交日期２０１８年１月９日

2、基于属性和隐式社交信息的协同过滤算法研究及应用论文作者签名：指导教师签名：论文评阅人１：评阅人２：评阅人３：评阅人４：评阅人５：答辩委员会主席：委员１：委员２：委员３：委员４：委员５：答辩日期：２０１８年３月３日浙江大学研究生学位论文独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得浙江大学或其他教育机构的学位或证书而使

3、用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。：学位论文作者签名：Ｉ裔楠签字曰期丨＆年多月曰４学位论文版权使用授权书本学位论文作者完全了解浙江大学有权保留并向国家有关部门或机构送交本论文。的复印件和磁盘，允许论文被查阅和借阅本人授权浙江大学可以将学位论文的全部、或部分内容编入有关数据库进行检索和传播，可以采用影印缩印或扫描等复制手段保、汇编学位论文存。（保密的学位论文在解密后适用本授权书）＾＇？学位论文作者签名：ｉ海掬丨：＞〇：签字曰期丨？年２月１曰签字曰期？年｝月曰｜摘

4、要、随着互联网的高速增长，用户要从海量数据当中找到自己感兴趣的有用的东西非常一，的困难。推荐系统应运而生，因其广泛的应用前景和研究价值推荐算法直备受关注。近年来各种在线推荐服务的兴起对推荐算法提出了很多新的挑战，例如冷启动问题，传统基于历史行为记录的推荐算法无法为新注册的用户或新上架的物品产生精准推荐；可拓展性，，不，用户和物品数量迅速增长时基于内存的方法无法实现良好的在线预测具备可拓展性推荐精度。，推荐精度影响用户体验，良好的推荐精度才能增加用户的粘性针；些挑战上可以分为以下几点：对这，本论文的创新点总体？—基于用户属性耦合的协同过滤改

5、进算法提出了用户端冷启动的改进算法，该改进算法在基于内存的协同过滤框架的基础上，用改进的耦合相似度捕获类别型数据。之间的真正关系，在用户属性上构建相似度模型改进的耦合相似度能更好地捕获用户之间的相似关系，在此基础上的基于用户属性耦合的改进算法在用户端冷启动阶段也能为新用户提供物品集合，实现较好的推荐精度。？提出了物品端冷启动和具备可拓展性的两种改进算法—基于平均内容属性耦合的协同过滤改进算法和基于个体内容属性耦合的协同过滤改进算法。改进算法通过在矩阵分解大框架中分别引入平均内容属性信息、个体内容属性信息的正则化项来约束矩阵分解过程，使得内

6、容属性相似的物品学习到的物品隐特征向量也相似。基于个体内容属性耦合的协同过滤改进算法相比基于平均内容属性耦合的算法而言构建一，了信任传播，且避免了其平均化忽视个体多样性的缺点进步提升了推荐性能。基于内容属性耦合的协同过滤改进算法因引入物品端内容信息和矩阵分解框架，既具备可拓展性又能在物品冷启动阶段将物品推送给用户，且这种额外信息的引入还能提升推荐精度。？提出了提升推荐精度的改进算法—基于内容和隐式社交信息的协同过滤改进算法ＣＢＮＭＦ，继续引入隐（算法）。该改进算法在矩阵分解大框架耦合内容信息的情况下式社交信息正则化项来约束矩阵分解过程以改

7、进推荐精度。用户评分行为相当于用户在社交中的表现，因此隐式社交信息中的用户信任用基于评分的用户相似度间接。该思想来源于社交网络用户信任传播，代替，最相似的用户代表用户越信任该用户一众朋友的意见即用户在选择物品时会考虑身边，越信任的朋友给出的意见采纳率Ｉ浙江大学硕士学位论文摘要越高。ＣＢＮＭＦ算法构建了信任传播，约束了如果用户Ａ信任Ｂ，Ｂ信任Ｃ，那么矩阵分解学习到的Ａ和Ｂ、Ｂ和Ｃ、Ａ和Ｃ的用户隐特征向量也会尽可能相似。实验说明，本章提出的ＣＢＮＭＦ算法能准确学习用户和物品的隐特征向量，在精确度上优于其