面向社會(huì)網(wǎng)絡(luò)的表示學(xué)習(xí)方法與推薦技術(shù)研究.pdf

1、近年來(lái)，社會(huì)網(wǎng)絡(luò)的蓬勃發(fā)展給人們的交流和生活帶來(lái)了極大的便利，越來(lái)越多的人從社會(huì)網(wǎng)絡(luò)中建立并維持社會(huì)關(guān)系。在構(gòu)建網(wǎng)絡(luò)用戶間鏈接關(guān)系的同時(shí)，用戶的其他行為如評(píng)分也能被系統(tǒng)所記錄。這些收集到的數(shù)據(jù)能夠被進(jìn)一步分析，并更好地提升各種社會(huì)網(wǎng)絡(luò)體驗(yàn)。
　　為了構(gòu)建更加完善的社會(huì)網(wǎng)絡(luò)，鑒于網(wǎng)絡(luò)稀疏性的影響，首先需要對(duì)網(wǎng)絡(luò)用戶進(jìn)行鏈接預(yù)測(cè)。目前各類社會(huì)網(wǎng)絡(luò)大多具有好友推薦等功能，也就是正向鏈接預(yù)測(cè)，然而很少有社會(huì)網(wǎng)絡(luò)考慮負(fù)向鏈接預(yù)測(cè)。同時(shí)，常見

2、的鏈接預(yù)測(cè)算法容易受到網(wǎng)絡(luò)稀疏性等影響，實(shí)際效果并不好。因此，本文提出了一種基于網(wǎng)絡(luò)表示學(xué)習(xí)的符號(hào)網(wǎng)絡(luò)鏈接預(yù)測(cè)算法，通過(guò)對(duì)正向鏈接和負(fù)向鏈接的有效建模，學(xué)習(xí)網(wǎng)絡(luò)用戶的低維表示向量，并用其進(jìn)行鏈接預(yù)測(cè)。
　　更進(jìn)一步，由于社會(huì)網(wǎng)絡(luò)中的用戶具有購(gòu)買，評(píng)分等行為，而這些行為又常常受到其鏈接用戶的影響，因此，基于社會(huì)信息的推薦技術(shù)已經(jīng)成為提升推薦性能的有效手段。然而，現(xiàn)有的社交推薦技術(shù)往往僅停留于對(duì)鏈接用戶影響的籠統(tǒng)歸納，并沒有對(duì)其內(nèi)在作

3、用機(jī)制進(jìn)行清晰分類和量化。針對(duì)這一問(wèn)題，本文對(duì)社交鏈接用戶對(duì)待推薦用戶的影響機(jī)制進(jìn)行研究，提出了一種新的基于用戶間信任關(guān)系融合建模的概率矩陣分解模型。綜合來(lái)看，本文的研究?jī)?nèi)容和貢獻(xiàn)如下:
　　1)對(duì)基于網(wǎng)絡(luò)表示學(xué)習(xí)的符號(hào)網(wǎng)絡(luò)鏈接預(yù)測(cè)方法進(jìn)行研究。本文首先通過(guò)數(shù)據(jù)分析驗(yàn)證了符號(hào)網(wǎng)絡(luò)中二階距離對(duì)鏈接預(yù)測(cè)的重要作用。接著，利用網(wǎng)絡(luò)表示學(xué)習(xí)技術(shù)分別捕捉一階距離以及二階距離，并設(shè)計(jì)了相應(yīng)的優(yōu)化算法進(jìn)行求解，進(jìn)而得到網(wǎng)絡(luò)對(duì)應(yīng)的低維表示向量。最

4、后，在兩個(gè)真實(shí)數(shù)據(jù)集上的廣泛實(shí)驗(yàn)驗(yàn)證了本文提出模型的有效性。
　　2)對(duì)基于信任機(jī)制下概率矩陣分解的用戶評(píng)分預(yù)測(cè)方法進(jìn)行研究。本文通過(guò)對(duì)用戶信任關(guān)系進(jìn)行分析，利用概率矩陣分解模型有效融合了信任用戶直接影響用戶評(píng)分和間接影響用戶偏好兩種不同機(jī)制。在此基礎(chǔ)上，針對(duì)不同用戶受到兩種機(jī)制影響權(quán)重不同的問(wèn)題，通過(guò)借助用戶評(píng)分相關(guān)性對(duì)其進(jìn)行聚類并映射到相應(yīng)權(quán)重，進(jìn)而實(shí)現(xiàn)個(gè)性化用戶模型參數(shù)選擇。最后，在公開數(shù)據(jù)集的多項(xiàng)實(shí)驗(yàn)驗(yàn)證了本文提出技術(shù)框架