论文部分内容阅读
随着信息技术的飞速发展,互联网中的数据逐渐呈指数级增长,为了从海量数据中获取有效信息,满足不同用户需求的推荐系统应运而生。近年来,推荐系统应用于社交网络中推动服务发展的案例屡见不鲜,因此,开展如何将社交信息融入推荐系统,提高面向社交网络的群组推荐效果,已成为一个研究热点。但是,目前大多数面向社交网络的群组发现方法存在忽略用户显隐式偏好信息有机融合的问题,导致了群组划分不合理。此外,社交网络推荐系统大都只考虑用户的历史偏好,而忽略了用户偏好的时间迁移性问题,最终给推荐结果带来了或多或少的负面影响。针对以上问题,本文对面向社交网络的群组发现和推荐开展研究,主要工作有:从群组发现角度,针对目前大多数面向社交网络的群组发现方法中存在忽略用户显隐式偏好信息有机融合的问题,提出了一种基于多视图学习的社交网络群组发现方法。该方法首先根据用户历史活动信息提取多维度的用户显式偏好信息,采用动态主题模型动态生成和更新用户偏好,然后,结合多视图来融合用户显式偏好信息,为获取更多的用户信息,利用无监督学习训练得出隐式偏好信息,最后,利用用户相似度矩阵划分群组。通过仿真实验对比得出该方法提高了群组内用户的相似度和推荐的精确度,并降低了推荐的误差率。从群组推荐角度,针对现有大多数面向社交网络的群组推荐方法忽略了用户偏好的时间迁移性问题,提出了一种基于深度学习的社交网络群组推荐方法。该方法首先挖掘出用户的历史偏好信息,将偏好信息基于主题内容进行分层聚类,基于LDA主题模型获取用户偏好的主题分布,通过时间函数调整权重来动态获取用户偏好,然后,基于深度语义网络提取用户与推荐服务的特征,考虑到用户的社交关系会影响用户的服务选择,本文建模了用户间的交流过程,它被转换为深度神经网络来求解得出用户服务评分,最后,根据组内成员的服务评分来完成群组推荐。仿真实验的结果表明,该方法缓解了用户偏好的静态限制,提高了推荐的精度和准确率。本文基于以上方法理论,设计了面向社交网络的群组推荐原型系统,给出了一个模拟微博客户端的群组服务推荐应用示范。详细介绍了该系统的各组成部分、操作流程以及系统结构,验证了本文所提出方法和理论的可行性,展示了基于多视图学习的社交网络群组发现方法和基于深度学习的社交网络群组推荐方法在真实社交网络下的推荐效果。该原型系统实现了本文方法理论和实际应用场景的友好结合,通过效果展示体现了其有效性与实用性。