论文部分内容阅读
正如俗话所说“物以类聚,人以群分”,用户的行为会受到其信任的好友影响,好友们提出的意见往往比广告推荐更有效果。在传统的推荐模型中加入社交网络信息,不仅能够提高推荐的准确率和用户满意度,而且能有效地缓解推荐系统中的稀疏性和冷启动问题。因此,基于社交网络推荐系统的研究具有重要研究意义和应用指导价值。然而,目前基于社交网络的推荐算法还存在一些问题。第一,这些算法一般片面地使用用户相似度来表示用户影响力,而忽视了用户影响力的关键作用。第二,这些算法普遍是在协同过滤和矩阵分解方法上进行扩展。可是协同过滤方法饱受稀疏性、冷启动和扩展性差等问题的困扰。矩阵分解只是单方面因式分解用户-物品评分矩阵,当输入数据的属性变得复杂时,它很难全方位地考虑这些属性间的联系。针对上述问题,本文提出了基于因子分解机的社交网络推荐模型SocialFM。实验验证表明SocialFM的推荐结果优于其他传统基于社交网络的推荐算法。本文研究的主要成果总结如下:1.分析总结出社交网络三大特点:差异性、动态性和弱传递性,并提出两种计算社交网络中用户影响力的方法。一种方法是分别计算社交网络图中节点的“质量”即用户专家程度,节点的联系即用户之间的社交紧密程度,以及节点之间“质量”的联系即用户之间的相似度,综合这三种因素来计算用户影响力。另一种方法是将用户影响力看作需要学习的变量,使用随机梯度下降算法迭代学习用户影响力。2.研究提出基于因子分解机的社交网络推荐模型SocialFM。该模型首先基于物品标签或LDA算法,计算物品的特征向量,然后将其与用户评分记录结合,计算用户特征向量以及他们的相似度。接着以因子分解机模型为基础,将输入数据转为以用户行为为主干,好友信任关系、历史评分记录和物品特征为辅助的事务向量。同时,提出社交网络正则项和模型内在联系正则项来约束目标函数。最终使用随机梯度下降算法去训练模型。3.选取豆瓣数据集进行实验,使用MAE和RMSE方法进行评测,本算法实验结果与其他传统推荐算法和基于社交网络的推荐算法相比有较大的提升。之后,验证本研究提出的两种社交影响力方法和两种正则项能提高推荐准确率和用户满意度。最后,本文在上述算法的基础上,设计和实现了基于社交网络的推荐系统来模拟现实生活中的社交网络和推荐系统。本文首先介绍基于社交网络推荐系统的研究意义和价值,然后介绍基于社交网络推荐系统的研究现状和存在的问题,并提出了本文的研究路线。接着,对本文提出的SocialFM模型各个环节的关键算法进行详细的介绍。之后是本文模型的实验验证以及原型系统的设计与架构。最后是工作总结和展望。