检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

融合信任相似度的高校图书馆个性化推荐研究

数字图书馆论坛 2018年第8期 14-19页

作者：林晓霞刘敏杨晓东徐尧山东科技大学计算机科学与工程学院青岛266590 山东科技大学信息工程系泰安271019

随着数字图书馆的发展,高校图书馆的个性化推荐问题成为热点,而传统基于评分的推荐算法不适合高校图书馆的推荐需求。针对以上情况,本文在研究传统协同过滤算法的基础上,首先利用借阅记录中的数据构建评分矩阵,然后融合信任相似度对用... 详细信息

随着数字图书馆的发展,高校图书馆的个性化推荐问题成为热点,而传统基于评分的推荐算法不适合高校图书馆的推荐需求。针对以上情况,本文在研究传统协同过滤算法的基础上,首先利用借阅记录中的数据构建评分矩阵,然后融合信任相似度对用户相似度进行改进,同时引入对新生、新书推荐的解决方法,最后通过对山东科技大学图书馆数据集的对比实验,结果表明,提出的方法有效解决了数据稀疏和冷启动的问题,具有更高的推荐精度。

关键词：高校图书馆个性化推荐协同过滤信任相似度

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于信任关系的个性化推荐方法研究

基于信任关系的个性化推荐方法研究

作者：苏佳会电子科技大学

学位级别：硕士

近年来,互联网和电子商务的发展,除了给人们带来便利的同时,也带来了信息超载的问题。由于数据量剧增,人们很难从海量数据中找到自己需要的信息。这时个性化推荐的重要性逐渐凸显出来,个性化推荐技术通过分析用户和商品的特征,帮助用户... 详细信息

近年来,互联网和电子商务的发展,除了给人们带来便利的同时,也带来了信息超载的问题。由于数据量剧增,人们很难从海量数据中找到自己需要的信息。这时个性化推荐的重要性逐渐凸显出来,个性化推荐技术通过分析用户和商品的特征,帮助用户筛选出其感兴趣的商品,而且可以帮助商家通过虚拟营销増加他们的收入。因此它已成为数据挖掘和社交网络等领域的研究热点。协同过滤算法是目前最成熟、应用最广泛的个性化推荐算法,但协同过滤仍然面临着一些有待解决的瓶颈问题需要改进,如数据稀疏、冷启动、可扩展等。本文考虑将用户之间的多种社交关系融入到基本矩阵分解模型中,设计实现了计算用户之间信任相似度和用户的专家信任度的测度,并提出了两种推荐算法:基于信任相似度的推荐算法、融合专家信任度的推荐算法,旨在利用用户的社会特性来缓解传统协同过滤面临的数据稀疏问题,提高算法的推荐效果。本文的主要研究内容如下:(1)针对数据稀疏问题,本文提出了一种基于信任相似度的推荐算法TSMF,通过建立有效的信任相似度测度,将用户的社会信息融入到推荐算法中。该推荐算法的优势在于综合考虑了用户的社会关系信息和历史评分数据,在一定程度上缓解了数据稀疏造成的推荐准确率低的问题。在CiaoDVD等数据集上做了充分的实验来验证算法效果。(2)由于专家的决策往往会影响用户的选择,本文设计了一种计算用户专家信任度的新测度,并基于这个新测度提出了一个融合专家信任度的推荐算法TSCE。该算法通过引入基于专家信任度的正则化项来约束矩阵分解目标函数,提高了推荐的准确性。同时,针对用户对不同类别的商品可能具有不同的偏好这一问题,本文引入了“圈子”的概念,“圈子”由访问某一类别商品的用户集合及他们之间的社交关系构成。对每个“圈子”中的用户集合和商品集合独立训练和预测。最后,在Yelp数据集上验证了算法的有效性。(3)本文对LibRec进行了功能扩展,以实现前面提出的两个推荐算法。首先通过添加信任相似度功能模块来计算用户之间的信任相似度,添加影响力功能模块来计算用户的专家信任度;其次在原有推荐算法模块中加入TSMF、TSCE两个推荐算法的实现;最后对两个算法的应用场景进行了分析。

关键词：社交网络信任相似度专家信任度个性化推荐

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于信任机制的协同过滤推荐算法研究

基于信任机制的协同过滤推荐算法研究

作者：游真旭江西理工大学

学位级别：硕士

随着信息技术与社会网络的迅速发展,指数级爆增的海量数据引发了严重的信息过载问题。为解决这一问题,推荐系统协助用户高效过滤无价值信息并主动推荐个性化服务信息。在推荐系统中,协同过滤推荐算法因其领域无关性及挖掘用户潜在偏好... 详细信息

随着信息技术与社会网络的迅速发展,指数级爆增的海量数据引发了严重的信息过载问题。为解决这一问题,推荐系统协助用户高效过滤无价值信息并主动推荐个性化服务信息。在推荐系统中,协同过滤推荐算法因其领域无关性及挖掘用户潜在偏好的优势被广泛应用。但是,其不可避免地面临着数据稀疏、冷启动和恶意攻击等巨大挑战。因此,为了提高协同过滤推荐系统的推荐可靠性及有效性,本文通过引入社会网络中用户间的信任关系,将信任机制与协同过滤推荐算法有效结合,提出一种融合信息熵相似度与动态信任的协同过滤推荐算法,主要研究工作从改进相似度算法、构建信任计算模型、引入信任奖惩机制三个方面展开:(1)针对用户评分数据稀疏所导致的相似度准确性较低或冷启动用户相似度难以计算的问题,构造基于评分差异的信息熵兴趣相似度计算方法,引入一种避免信任网络热区效应的信任关系隐性相似度,将二者自适应动态融合以计算用户综合相似度。本文改进的用户相似度算法避免了已有相似度算法因共评项目稀少,导致用户相似度过高或过低的不合理现象;当用户评分数据稀疏甚至无评分时,利用信任隐性相似度优化相似度计算,一定程度上缓解冷启动问题;(2)针对推荐系统中恶意攻击和虚假反馈的评分数据不可靠问题,从用户评分可信度、评分预测能力、共评项目集三个维度度量用户的推荐信任度,将显式信任与推荐信任融合计算用户间的直接信任度;基于重构的信任网络分析研究单路径信任弱传播与多路径信任聚合机制,构建间接和全局信任度计算模型。本文以直接信任度充分反映目标用户对推荐用户推荐/评分的认可度,通过信任推理挖掘被目标用户信任且兴趣相似的推荐用户;(3)针对用户间信任关系的动态性问题,引入信任奖惩更新机制,评估推荐用户评分的有效性,分别对积极推荐者和消极推荐者的信任度进行控制性奖惩。合理的信任奖惩策略能够实现动态更新用户的推荐用户,表征信任关系的动态演化性。本文提出的信任奖惩更新机制能够有效减少不可靠用户的虚假推荐,使得推荐结果始终来自于被目标用户信任且相似度较高的推荐用户,从而提升系统的推荐可靠性。最后,基于公开的信任数据集FilmTrust、Epinions进行实验,并与其他经典算法对比分析。实验结果表明本文算法能明显提高推荐系统的推荐准确度,有效缓解协同过滤推荐系统的数据稀疏性、冷启动和数据可靠性问题。

关键词：协同过滤数据可靠性信息熵相似度信任相似度信任奖惩

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向稀疏数据的个性化推荐技术研究

面向稀疏数据的个性化推荐技术研究

作者：石教开西南大学

学位级别：硕士

随着互联网和电子商务的发展,互联网信息与日俱增,产生了“信息过载”现象,用户很难找到自己需要的信息。搜索引擎的问世节省了搜索时间,可以快速定位用户需要的信息,但是缺少定制个性化检索结果的能力。个性化推荐技术根据用户历史行... 详细信息

随着互联网和电子商务的发展,互联网信息与日俱增,产生了“信息过载”现象,用户很难找到自己需要的信息。搜索引擎的问世节省了搜索时间,可以快速定位用户需要的信息,但是缺少定制个性化检索结果的能力。个性化推荐技术根据用户历史行为信息,提供个性化推荐服务,满足用户需求,可以有效解决信息过载问题。但是随着个性化推荐系统规模越来越大,用户历史行为信息相对越来越少,评分矩阵极度稀疏,导致推荐质量下降。为了缓解数据稀疏带来的影响,目前的主要方法是维数约简,采用特征提取或者利用机器学习方法降低维度,还可以使用数据压缩原理减少系统数据的维度。现有的推荐技术在降低维度的过程中都会舍弃掉部分重要信息,使得相似度计算和近邻查找的精度不高,从而影响推荐效果。针对现有推荐技术在数据稀疏情况下存在的问题进行研究,主要工作如下:1.当评分矩阵极度稀疏时,使用现有的相似度量方法计算用户相似度的准确率不高,导致依据用户相似矩阵查找最近邻居以及计算评分预测值的精确度下降。对此,提出基于聚类和信任度的个性化推荐算法,定义信任相似度,将基于评分众数的用户信任度融合到基于用户评分的传统相似度量算法中。在MovieLens数据集上进行测试,实验结果证明,提出的基于聚类和信任度的个性化推荐算法计算出的用户相似度的精度更高,有助于寻找到适合的最近邻居用户,更加准确地填充评分预测值,避免用户恶意评分的情况,在数据稀疏的情况下提高用户相似度计算的准确率,提高推荐精度。2.目前推荐系统的评分数据具有高维性和稀疏性,例如多媒体数据、购物数据等,现有针对高维稀疏数据的推荐算法大都基于维度约简,在降低维度的过程中舍弃了过多有用信息,导致查找近邻的精度下降。为此,提出基于稀疏子空间聚类的个性化推荐算法,利用稀疏子空间聚类算法对用户进行聚类,减少有用信息的舍弃,找到所属聚类簇,计算相似度,利用KNN（K-Nearest Neighbor）方法查找最近邻集合,根据近邻集合的评分值计算预测评分值。在MovieLens数据集上进行测试,实验结果证明,基于稀疏子空间聚类的个性化推荐算法可以积极缓解在数据稀疏情况下查找近邻不精准的问题,提高推荐质量。

关键词：数据稀疏个性化推荐信任相似度稀疏子空间协同过滤

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

推荐系统中协同过滤算法的研究与改进

推荐系统中协同过滤算法的研究与改进

作者：姜婧南昌大学

学位级别：硕士

随着网络信息技术迅猛发展,人们尽管有越来越多获取信息的方式,还是抵不住信息过载问题的影响——越来越难以准确、快速地定位到所需要的信息。个性化推荐系统是缓解信息过载问题,满足用户个性化需求的重要手段。针对推荐系统中传统基... 详细信息

随着网络信息技术迅猛发展,人们尽管有越来越多获取信息的方式,还是抵不住信息过载问题的影响——越来越难以准确、快速地定位到所需要的信息。个性化推荐系统是缓解信息过载问题,满足用户个性化需求的重要手段。针对推荐系统中传统基于用户的协同过滤推荐算法的数据稀疏、冷启动问题,提出了SUBCFK算法。相较于传统算法,SUBCFK算法主要改进工作如下:为减轻用户-项目评分矩阵的稀疏问题对推荐效果的影响,SUBCFK算法基于项目分类,参考Slope One算法线性回归方法,根据用户间线性评分线差对评分矩阵进行填充。对于冷启动问题,一方面,SUBCFK算法基于项目分类计算用户间的兴趣相似度,并对其设置影像性权重,以避免当用户间共同评分数据较少时兴趣相似度度量的偶然性;另一方面,利用社会化网络中“三度影响力原则”计算出用户间信任相似度,并将其与兴趣相似度相融合,减少新用户历史评分数据过少对推荐效果的影响。在计算用户最近邻居时,将Canopy算法与K-means算法聚类思想融合,采用“粗聚类”、“细聚类”结合的方式,利用“最小最大原则”来确定聚类个数及初始聚类中心,避免了传统基于用户的协同过滤算法直接应用K-means算法时设置聚类个数及选择初始聚类中心的盲目性。最后,将SUBCFK算法与传统协同过滤算法在Yelp数据集上进行对比实验,实验结果表明,SUBCFK算法效果更佳。

关键词：推荐算法协同过滤项目分类线性偏差三度影响力原则信任相似度