检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

社会化网络中信任推荐研究综述

现代图书情报技术 2014年第11期 10-16页

作者：谭学清黄翠翠罗琳武汉大学信息管理学院武汉430072

【目的】探讨社会化网络的发展对解决传统的个性化推荐系统面临的诸如数据稀疏性、冷启动等问题的作用。【文献范围】以社会化网络作为分析背景,从Springer、Google Scholar检索2004年至今国内外关于信任推荐的研究文献。【方法】基于... 详细信息

【目的】探讨社会化网络的发展对解决传统的个性化推荐系统面临的诸如数据稀疏性、冷启动等问题的作用。【文献范围】以社会化网络作为分析背景,从Springer、Google Scholar检索2004年至今国内外关于信任推荐的研究文献。【方法】基于信任与不信任两方面对相关文献进行梳理总结,形成综述。【结果】指出当前研究中存在信任计算方法不足,缺乏对不信任因素的深入研究等问题。【局限】由于研究因素单一,应结合社会化网络中出现的其他因素进行深入对比分析。【结论】未来的研究可以从基于情境信任的推荐、挖掘社会化网络中的弱连接关系等方向开展。

关键词：个性化推荐社会化网络信任推荐

在线全文

学校读者我要写书评

暂无评论

一种基于推荐偏差的多主体系统信任推荐模型

小型微型计算机系统 2014年第8期35卷 1852-1855页

作者：张大鹏左孟飞王新生燕山大学信息科学与工程学院河北秦皇岛066004 桂林电子科技大学广西可信软件重点实验室广西桂林541004

已有的信任推荐模型认为推荐信任会沿传递路径衰减,这并不完全符合人类的信任习惯.针对这种情况,提出一种基于推荐偏差的多主体系统信任推荐模型:(1)对推荐信任沿传递路径衰减的不足之处进行了阐释并给出了推荐偏差的概念;(2)给出了利... 详细信息

已有的信任推荐模型认为推荐信任会沿传递路径衰减,这并不完全符合人类的信任习惯.针对这种情况,提出一种基于推荐偏差的多主体系统信任推荐模型:(1)对推荐信任沿传递路径衰减的不足之处进行了阐释并给出了推荐偏差的概念;(2)给出了利用推荐偏差计算推荐信任度的方法,该方法引入了信心指数来衡量被推荐者对推荐者以固定的推荐偏差向其进行推荐的信心;(3)给出了信任信息的传递方法;(4)使用了4组数据进行了场景分析,分析结果表明:当信任网络中存在信心指数较高的推荐者时,使用本方法得到的结果准确度较高.

关键词：信任推荐多主体系统推荐偏差信心指数

在线全文

学校读者我要写书评

暂无评论

基于相似度的信任推荐模型

计算机科学 2013年第10期40卷 132-134,158页

作者：董晓华周彦晖重庆大学经济与工商管理学院重庆400030 西南大学计算机与信息科学学院重庆400715

针对信任推荐过程中难以鉴别恶意推荐的问题,提出一种基于相似性的信任推荐模型。模型中,借鉴社会心理学的研究成果,若两个用户在行为上具有较高的相似性,则表明他们更容易相信对方。把用户评分相似性作为信任推荐时的权重系数,理论分... 详细信息

针对信任推荐过程中难以鉴别恶意推荐的问题,提出一种基于相似性的信任推荐模型。模型中,借鉴社会心理学的研究成果,若两个用户在行为上具有较高的相似性,则表明他们更容易相信对方。把用户评分相似性作为信任推荐时的权重系数,理论分析和仿真结果表明:该模型可有效防范信任推荐中的恶意推荐行为,降低信任度的计算误差,从而提高信任评估的准确性。

关键词：信任推荐相似性信任模型

在线全文

学校读者我要写书评

暂无评论

结合物品相似性的社交信任推荐算法

计算机科学 2022年第5期49卷 144-151页

作者：余皑欣冯秀芳孙静宇太原理工大学软件学院太原030024

随着互联网的快速发展,用户很难在大量的网络数据中找到自己感兴趣的内容,而推荐系统能帮助解决这一问题。传统的推荐系统仅依赖用户历史行为数据进行推荐,存在数据稀疏和冷启动的问题。将社交网络信息融入推荐系统中被证明能够有效地... 详细信息

随着互联网的快速发展,用户很难在大量的网络数据中找到自己感兴趣的内容,而推荐系统能帮助解决这一问题。传统的推荐系统仅依赖用户历史行为数据进行推荐,存在数据稀疏和冷启动的问题。将社交网络信息融入推荐系统中被证明能够有效地解决传统推荐系统的问题,提高了推荐质量。但是,大部分基于社交网络的推荐仅关注用户之间的单向信任关系,忽略了被信任关系和物品自身因素对推荐结果的影响,因此提出了结合物品相似性的社交信任推荐算法SocialIS。SocialIS算法考虑了用户作为信任者和被信任者时邻居用户对用户的影响,并采用Node2vec算法训练得到包含用户偏好的物品相似性向量,再使用图神经网络学习用户和物品的特征向量进行评分预测。在Epinions和Ciao数据集上进行了大量实验,采用基于误差的指标(MAE和RMSE)对所提算法的性能进行度量,并与其他算法进行对比,验证了所提算法的性能。实验结果表明,与其他算法相比,所提算法的评分预测误差更小,推荐效果更好。

关键词： Node2vec 图神经网络信任推荐社交网络推荐系统

在线全文

学校读者我要写书评

暂无评论

基于深度确定性策略梯度算法的信任推荐研究

基于深度确定性策略梯度算法的信任推荐研究

作者：李玉烟台大学

学位级别：硕士

协同过滤算法能够解决信息过载,但存在数据稀疏和冷启动问题。现有研究表明结合信任的推荐算法,有利于缓解数据稀疏性,提高推荐结果的可解释性。然而,以往研究大多假设用户间的信任是固定不变的,忽略了其在交互过程中的变化。此外,使用... 详细信息

协同过滤算法能够解决信息过载,但存在数据稀疏和冷启动问题。现有研究表明结合信任的推荐算法,有利于缓解数据稀疏性,提高推荐结果的可解释性。然而,以往研究大多假设用户间的信任是固定不变的,忽略了其在交互过程中的变化。此外,使用固定信任值进行计算可能会导致推荐结果逐渐远离用户的实际需求。现有大多数基于深度学习的推荐模型将推荐过程看作静态的,从而产生固定的推荐策略,无法实时适应用户兴趣的动态变化。而强化学习算法是一种能够通过试错方式与环境进行交互,利用环境反馈获得最大奖励以实现最优行为策略的算法,能够建模用户-项目交互过程,灵活调整推荐策略。深度强化学习结合二者的优点,通常用于构建高维、连续动作空间上的模型,可以主动向用户学习实时反馈来学习用户的偏好并及时调整策略。因此,针对于现有研究对推荐过程中信任动态性研究不足和深度强化学习算法的适用性,本文提出了一种基于深度确定性策略梯度的信任推荐算法DDPG-TR,根据推荐过程中的交互体验动态更新用户之间的信任值,并使用设计的状态表示模块捕获用户偏好的动态性。首先,算法使用嵌入方法预先训练生成用户和项目向量构成算法的输入,并设计了一种状态表示模块来建模用户的状态,获取用户偏好。然后,算法基于当前状态对用户进行项目推荐,当用户接受推荐项目后,融合社交网络中的信任和相似关系预测推荐项目的评分。最后,计算实际评分和预期评分的差值来更新用户间的信任值,以信任差值作为此刻的奖励值输入网络进行训练和更新。实验表明相较于其他算法,DDPG-TR算法可以提供更准确的推荐结果和更好的可解释性。最后,在DDPG-TR算法的基础上引入注意力机制,提出了DDPG-TRA算法。该算法在用户状态模块中增加了一层注意力网络,能够获取用户对不同项目的关注度。实验结果表明DDPG-TRA算法优于对比算法,提高了DDPG-TR算法的推荐准确度。

关键词：推荐系统强化学习动态信任信任推荐

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于社交网络的信任推荐算法研究

基于社交网络的信任推荐算法研究

作者：余皑欣太原理工大学

学位级别：硕士

近年来,互联网高速发展,网络信息数量爆炸性增长,造成了信息过载的问题。为了在大量信息中帮助用户快速获取感兴趣或有价值的内容,推荐系统应运而生。传统推荐算法通常根据用户历史行为挖掘用户兴趣进行推荐,但由于网络信息越发复杂,仅... 详细信息

近年来,互联网高速发展,网络信息数量爆炸性增长,造成了信息过载的问题。为了在大量信息中帮助用户快速获取感兴趣或有价值的内容,推荐系统应运而生。传统推荐算法通常根据用户历史行为挖掘用户兴趣进行推荐,但由于网络信息越发复杂,仅利用历史行为数据的推荐算法已无法满足用户需求。随着社交网络的兴起,将社交网络中的用户信任关系引入推荐系统中,并利用网络结构挖掘用户社交特征,有效提高了推荐准确性,成为近年来推荐系统领域的重要研究方向之一。但是,大多数社交推荐算法仅关注用户历史行为和用户间的单向信任关系,考虑因素过于单一。此外,用户的动态兴趣变化问题也为社交推荐算法带来挑战。针对大多数社交信任推荐算法常常忽略物品自身因素影响的问题,本文提出结合物品相似性的社交信任推荐算法。首先,引入用户间双向信任关系,构建社交信任网络图和评分图,利用图神经网络进行训练,得到用户特征和项目特征。然后,考虑了项目本身性质对项目特征的影响,构建“物品-物品”相似网络图,利用Node2vec算法改进后的有偏随机游走模型在相似网络图上有概率地游走以生成相似序列,再利用Skip-gram模型对序列进行训练得到相似性向量用于约束项目特征,有效提高了推荐系统效果。在真实场景中,用户的兴趣并非一成不变,而大部分社交推荐算法仅考虑了用户基于信任关系的长期兴趣,忽略了用户短期的兴趣变化。为解决用户短期内兴趣变化对社交推荐算法造成影响的问题,本文提出结合序列与长短期兴趣的社交信任推荐算法。首先,利用SASRec模型对用户近期的交互序列数据进行训练,得到用户短期兴趣特征。接着,通过图神经网络学习在社交网络图上训练,得到用户基于信任关系的长期兴趣特征。最后,使用特征金字塔的方式将用户的长短期兴趣特征融合从而进行评分预测,提高预测的准确性。为验证提出算法的有效性,在公开数据集Epinions和Ciao上进行了大量实验和参数分析,并与其他算法进行对比。实验结果表明提出的两个算法的评分预测误差普遍小于其他对比算法,在Epinions数据集上两个算法的平均绝对误差比最优的GraphRec算法分别降低了2.8%和2.9%,证明了提出算法能有效提高推荐精度。

关键词：图神经网络注意力机制 Node2vec 长短期兴趣信任推荐

社交网络中的信任推荐和好友搜索过滤算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

社交网络中的信任推荐和好友搜索过滤算法研究

作者：韩丽燕山大学

学位级别：硕士

随着信息技术的快速发展，社交网络逐渐占据了人们日常交往、娱乐和交易购物的主要途径。推荐和搜索是商家和用户关注的焦点，一方面商家要努力获得用户的偏好信息，进而推荐给用户喜欢的物品或人，获取利益;另一方面用户要利用好友搜... 详细信息

随着信息技术的快速发展，社交网络逐渐占据了人们日常交往、娱乐和交易购物的主要途径。推荐和搜索是商家和用户关注的焦点，一方面商家要努力获得用户的偏好信息，进而推荐给用户喜欢的物品或人，获取利益;另一方面用户要利用好友搜索扩大交际圈。但是，目前的推荐算法出现诸多局限性问题，典型的协同过滤算法不能解决冷启动和数据稀疏等问题;注册用户的增加使得好友搜索的结果杂乱无序，不能有效地筛选出和目标用户相似度最大的用户。本文将针对以上问题对推荐和好友搜索进行研究和改进。首先，综述传统推荐算法的思想和优缺点，着重分析基于协同过滤的推荐算法。针对传统协同过滤的局限性，提出一种基于信任-不信任的协同过滤算法。在已有的信任空间中，利用用户输入的信任信息，给出信任传播和信任聚合规则，根据规则得出的信任集合和不信任集合对用户进行筛选，再利用本文提出的一种新的计算信任权重的算法，并结合协同过滤算法中用户之间的兴趣相似度算法得出最终的相似度值。针对所提出的算法给出召回率和平均绝对误差两种评价标准。其次，针对好友搜索出现的问题，提出一种利用关系树计算用户相似度的算法，该算法综合兴趣、住址、共同好友和综合部分四个分算法。根据搜索名字的相似度计算出每个名字的初始得分，为兴趣、住址、共同好友三个部分分别建立关系树，遍历关系树计算出用户之间的路径长度，利用衰减函数计算三个部分的相似度得分。为每个部分设置不同的权重，综合三个部分计算每个搜索结果的得分，根据分数筛选搜索结果信息。最后，本文设计两个模拟实验。实验一分析在相同的信息环境下，传统的协同过滤算法、基于信任的协同过滤算法以及基于信任-不信任的协同过滤算法三种算法的准确性和有效性;实验二分析利用关系树来计算用户相似度的准确性，与人人网和余弦相似性算法进行比较。

关键词：用户相似度协同过滤信任推荐社交网路关系树信息过滤

面向准确性和可靠性协同优化的差分信任推荐机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向准确性和可靠性协同优化的差分信任推荐机制

作者：聂鹏丽天津大学

学位级别：硕士

大数据时代,电商、媒体等互联网平台亟待从盈千累万的信息中为用户筛选出满意的内容,推荐系统应运而生。然而,错误推荐、信息泄露等现象使推荐系统的准确性和可靠性受到用户质疑,成为了当前推荐领域的重要问题。一方面,利用社会信任关... 详细信息

大数据时代,电商、媒体等互联网平台亟待从盈千累万的信息中为用户筛选出满意的内容,推荐系统应运而生。然而,错误推荐、信息泄露等现象使推荐系统的准确性和可靠性受到用户质疑,成为了当前推荐领域的重要问题。一方面,利用社会信任关系来改善推荐效果引起了广泛关注,但信任自身的稀疏困境有待解决,精准挖掘潜在信任成为提升推荐准确性的一项研究目标;另一方面,对于用户而言,保证推荐系统的可靠性往往意味着要隐藏用户的隐私信息,这阻碍了系统捕获有益于准确推荐的潜在相关关系。因此,如何有效地兼顾准确性和可靠性显然成为推荐系统研究的一大挑战。针对上述挑战,本文提出一种面向准确性和可靠性协同优化的差分信任推荐机制。首先,面向准确性提升,本文提出一种“汉堡式”稀疏信任挖掘框架。该框架包括三层:首层设计短路径传递算法,使其在社会信任网络中挖掘重要的信任关系;中层利用信任分解的思想,从评分数据中生成不信任关系,并引入社会平衡理论对混合信任网络进行校正;最后一层基于混合信任数据,通过改进的半监督分类方法得到最终的稀疏信任网络。其次,面向可靠性增强,本文提出一种基于差分信任的隐私保护推荐机制。基于差分隐私Moments Accountant(MA)组合定理,我们提出了差分信任的概念,通过添加高斯噪声设计差分信任基本模型。进而与本文的推荐模型相结合,得到基于差分信任的推荐算法,并通过理论推导证明了该算法的隐私保护有效性。然而,噪声的添加往往意味着推荐准确性的降低。对此,本文将“汉堡式”稀疏信任挖掘框架融合到差分信任推荐算法中,使所提方法在兼顾隐私保护的同时仍可保持较高的推荐准确度。实验结果显示,融合差分信任模型后,其他对比模型的推荐误差都大幅增加,而本文所提出的协同优化差分信任推荐算法的准确度却能基本保持不变,与误差最低的对比模型相比,MAE和RMSE指标分别降低16.455%、15.033%。这表明,本文的稀疏信任挖掘框架能够提升推荐准确性,且对差分信任推荐具有较大的优化作用,二者的结合有效地增强了推荐系统的准确性和可靠性。

关键词：差分信任稀疏信任挖掘信任推荐协同优化推荐增强

一种基于领域信任及不信任的奇异值分解推荐算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机科学 2019年第10期46卷 27-31页

作者：张琦柳玲文俊浩重庆大学大数据与软件学院

传统协同过滤算法存在数据稀疏与冷启动问题,社会化推荐算法虽然能在一定程度上缓解这些问题,但大多数的算法都只从单一的角度来衡量信任关系的影响。为了更准确地度量社交关系对推荐预测的影响,提出了一种基于领域信任及不信任的社会... 详细信息

传统协同过滤算法存在数据稀疏与冷启动问题,社会化推荐算法虽然能在一定程度上缓解这些问题,但大多数的算法都只从单一的角度来衡量信任关系的影响。为了更准确地度量社交关系对推荐预测的影响,提出了一种基于领域信任及不信任的社会化奇异值分解(Field Trust and Distrust based Singular Value Decomposition,FTDSVD)推荐算法。该算法在SVD推荐算法的基础上加入了用户的信任关系与不信任关系,利用不信任关系对社交关系进行修正,并且充分考虑用户的信任领域相关性和全局影响力。在Epinions数据集上将FTDSVD算法与相关算法进行了对比,结果证实了该算法在提高推荐质量和缓解冷启动问题上效果显著。

关键词：信任推荐不信任关系领域相关性奇异值分解(SVD) 推荐系统