面向社交網(wǎng)絡(luò)的協(xié)作過濾算法研究及應(yīng)用.pdf

1、伴隨互聯(lián)網(wǎng)和信息技術(shù)的快速普及和廣泛應(yīng)用，各類社交網(wǎng)絡(luò)不斷涌現(xiàn)并已成為互聯(lián)網(wǎng)上的重要應(yīng)用，人們也越來越仰仗于利用社交網(wǎng)絡(luò)尋找自己感興趣的信息。然而，社交網(wǎng)絡(luò)用戶數(shù)量在不斷攀升，用戶間頻繁交互會產(chǎn)生海量的互動信息，這些都導致了社交網(wǎng)絡(luò)中的信息過載，而個性化推薦則是解決信息過載問題最有效的方法。因此，社交網(wǎng)絡(luò)中的個性化推薦已成為一個研究熱點，逐漸受到了學者們的關(guān)注。
　　協(xié)作過濾算法是應(yīng)用最為廣泛的個性化推薦算法，本文首先針對協(xié)作過濾

2、算法應(yīng)用于社交網(wǎng)絡(luò)中存在推薦精度不高的問題，提出基于用戶信任度和社會相似度的協(xié)作過濾算法。然后對上述算法做進一步優(yōu)化提出基于社交網(wǎng)絡(luò)用戶相似度聚類的協(xié)作過濾算法。最后利用所提出的推薦算法開發(fā)了一個面向社交網(wǎng)絡(luò)的推薦系統(tǒng)。本文主要研究內(nèi)容如下：
　　(1)針對協(xié)作過濾算法應(yīng)用于社交網(wǎng)絡(luò)中存在推薦精度不高的問題，提出一個基于用戶信任度和社會相似度的協(xié)作過濾算法。該算法首先通過社交網(wǎng)絡(luò)計算用戶信任度和社會相似度，并依據(jù)用戶-項目評分數(shù)據(jù)

3、計算用戶相似度。然后將用戶相似度、用戶信任度和社會相似度進行融合并據(jù)此形成最近鄰集。最后利用優(yōu)化的評分預測公式依據(jù)最近鄰集中的用戶-項目評分數(shù)據(jù)生成給目標用戶的推薦結(jié)果。實驗結(jié)果表明該算法較其他算法在解決社交網(wǎng)絡(luò)的推薦問題時有更高的推薦精度，但其執(zhí)行效率會隨著社交網(wǎng)絡(luò)規(guī)模的增大而降低。
　　(2)針對基于用戶信任度和社會相似度的協(xié)作過濾算法的執(zhí)行效率隨社交網(wǎng)絡(luò)規(guī)模增大而有所下降的問題，提出一個基于社交網(wǎng)絡(luò)用戶相似度聚類的協(xié)作過濾算

4、法。該算法首先根據(jù)用戶在社交網(wǎng)絡(luò)中的屬性信息及互動行為計算社交網(wǎng)絡(luò)用戶相似度。然后根據(jù)社交網(wǎng)絡(luò)用戶相似度利用改進的k-means算法對用戶進行聚類從而形成多個不同的用戶簇。最后在每個用戶簇上利用基于用戶信任度和社會相似度的協(xié)作過濾算法產(chǎn)生推薦結(jié)果。實驗結(jié)果表明該算法在處理大規(guī)模社交網(wǎng)絡(luò)數(shù)據(jù)集時不僅顯著降低了運行時間也提高了推薦精度，很好的解決了基于用戶信任度和社會相似度的協(xié)作過濾算法存在的問題。
　　(3)設(shè)計并實現(xiàn)了一個面向社交