融合社交信息的个性化推荐研究

发布时间：2022-12-04 22:37

　　随着在线网络的迅速发展和广泛应用,人们在享受科技带来新生活的同时也面临“信息过载”的困扰。推荐系统被认为是解决信息过载最有效的方式之一,受到了工业界和学术界的广泛关注。社交是人类作为社会性群体的基本属性,也是现代互联网应用发展的必备要素。得益于在线社交功能的不断完善和社交信息的大量补给,融合社交信息提升个性化推荐的效果已成为近年来推荐领域的研究热点。虽然目前的研究工作已经在该领域取得了一定的研究成果,然而在推荐的准确性、多样性等方面仍存在不足。因此,针对特定网络的特点和现有研究工作的不足,本文从三个方面对融合社交信息的个性化推荐展开深入研究,并取得以下主要成果:一、针对单向社交网络中用户推荐的准确性问题,本文研究了融合关注关系进行个性化推荐,提出了一个新的用户推荐框架UIS-MF。单向社交网络中,仅使用关注关系为目标用户过滤不相关用户是一项艰巨且关键的任务。相关工作直接使用关注关系完成推荐而不区分关注关系建立背后的兴趣动因和社交动因,导致了用户偏好预测不够全面进而影响了推荐准确性。有鉴于此,本文设计了一个两阶段用户推荐框架UIS-MF。在第一阶段,一个基于用户关注关系的概率主题模型UI... 

【文章页数】：156 页

【学位级别】：博士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 融合社交信息的个性化推荐概述
        1.2.1 基本框架
        1.2.2 推荐任务分类
        1.2.3 协同过滤推荐方法
        1.2.4 推荐系统面临的挑战
    1.3 国内外相关问题的研究现状
        1.3.1 单向社交网络用户推荐研究现状
        1.3.2 信任网络物品推荐研究现状
        1.3.3 基于社交关系和好奇心的物品推荐研究现状
    1.4 论文的主要研究内容
    1.5 论文的创新点
    1.6 论文的组织结构和各章安排
第二章 单向社交网络中基于关注关系的用户推荐
    2.1 引言
    2.2 相关工作
        2.2.1 基于矩阵分解的社交推荐方法
        2.2.2 主题模型和生成的波利亚罐子模型(GPU)
        2.2.3 基于社区的推荐方法
        2.2.4 与现有工作的比较
    2.3 研究动机和基本假设
    2.4 问题定义
    2.5 基于关注关系的用户推荐框架(UIS-MF)
        2.5.1 主题提取
        2.5.2 用户推荐
    2.6 实验评价方法
        2.6.1 实验数据集
        2.6.2 评估指标
        2.6.3 对比方法
    2.7 实验与结果分析
        2.7.1 参数设置
        2.7.2 敏感参数调优
        2.7.3 推荐结果比较
        2.7.4 模型内部比较
        2.7.5 运行时间比较
        2.7.6 数据稀疏性分析
    2.8 本章小节
第三章 信任网络中基于双重角色影响的物品推荐
    3.1 引言
    3.2 相关工作
        3.2.1 基于信任关系的物品排序推荐方法
        3.2.2 融入不信任关系的推荐方法
    3.3 研究动机
        3.3.1 数据集描述
        3.3.2 观察发现
    3.4 问题定义
    3.5 融入双重角色影响的贝叶斯个性化排序方法(BPRDR)
        3.5.1 模型建立
        3.5.2 模型参数学习和物品推荐
        3.5.3 与现有贝叶斯个性化排序方法的关系
        3.5.4 结合信任和不信任关系的贝叶斯个性化排序方法(BPRTaD)
    3.6 融入双重角色影响的分解的相似度方法(FSDR)
        3.6.1 模型建立
        3.6.2 模型参数学习和物品推荐
        3.6.3 与现有分解的相似度方法的关系
    3.7 实验评价方法
        3.7.1 实验数据集和评估指标
        3.7.2 对比方法
    3.8 实验与结果分析
        3.8.1 参数设置
        3.8.2 敏感参数调优
        3.8.3 推荐结果比较
    3.9 融入不信任关系的扩展实验
        3.9.1 扩展实验评价方法
        3.9.2 扩展实验结果及讨论
    3.10 本章小节
第四章 基于用户好奇心机制的物品推荐
    4.1 引言
    4.2 相关工作
        4.2.1 以提升多样性为目标的推荐方法
        4.2.2 好奇心驱动的推荐方法
    4.3 预备知识
        4.3.1 好奇心驱动理论
        4.3.2 社会冲突理论
        4.3.3 中间唤醒潜能理论
    4.4 问题定义
    4.5 刺激诱发的好奇心机制(SeCM)
        4.5.1 度量总体刺激强度
        4.5.2 基于Wundt曲线建模刺激诱发的好奇心
        4.5.3 模型参数学习
    4.6 好奇心驱动的推荐框架(CdRF)
        4.6.1 针对推荐准确性的模型(AoM)
        4.6.2 排序优化和物品推荐
    4.7 实验评价方法
        4.7.1 实验数据集
        4.7.2 评估指标
        4.7.3 对比方法
    4.8 实验与结果分析
        4.8.1 参数设置
        4.8.2 SeCM特例的比较
        4.8.3 β值对CdRF的影响以及Wundt曲线的作用
        4.8.4 一个例子
        4.8.5 SeCM与现有推荐方法的比较
        4.8.6 CdRF与现有好奇心驱动推荐方法的比较
    4.9 本章小结
总结与展望
参考文献
攻读博士学位期间取得的研究成果
致谢
附件


【参考文献】：
期刊论文
[1]微博用户推荐模型的研究[J]. 徐雅斌,石伟杰.  电子科技大学学报. 2015(02)
[2]LDA模型在微博用户推荐中的应用[J]. 邸亮,杜永萍.  计算机工程. 2014(05)
[3]个性化推荐系统的多样性研究进展[J]. 安维,刘启华,张李义.  图书情报工作. 2013(20)
[4]Community-Based User Domain Model Collaborative Recommendation Algorithm[J]. Fulan Qian,Yanping Zhang,Yuan Zhang,Zhen Duan.  Tsinghua Science and Technology. 2013(04)

博士论文
[1]基于社交网络个体行为特征的信息推荐算法研究[D]. 陈玲姣.电子科技大学 2018



本文编号：3709118