基于概率矩陣分解的社會化推薦算法研究.pdf

1、社交網絡的發(fā)展給推薦技術帶來了新的契機，利用社交關系進行社會化的推薦，不僅能提高推薦的準確率，更能讓用戶信任系統(tǒng)的推薦理由，因而得到了電子商務網站和許多科研人員的青睞。本文以社會化推薦中的協(xié)同過濾推薦算法為主要研究對象，針對概率矩陣分解算法在實際推薦中面臨的準確性和社交關系稀疏等問題展開了調研與研究，結合主題模型和聚類等機器學習方法，提出了解決這幾個問題的方案，并通過實驗驗證了所提方案的效果。具體如下:
　　1、針對基于概率矩陣分

2、解的社會化推薦算法的準確性問題，提出了一種基于主題的朋友提取概率矩陣分解算法。該算法主要應用于社交關系較為稠密場景下的社會化推薦問題，它針對現有的社會化推薦算法在考慮來自社交關系的影響時，考慮過多朋友的影響導致的推薦準確率下降的問題，提出了相應的解決方案。該算法將用戶看作喜好的集合，通過主題模型的訓練，挖掘出用戶的喜好，并根據喜好劃分用戶的社交關系，使得最終的推薦結果只受和用戶在物品所屬主題里擁有相同喜好的社交關系的影響。實驗表明，該算

3、法的推薦誤差小于其他4種傳統(tǒng)的概率矩陣分解算法，在一定程度上提高了推薦的準確率。
　　2、針對基于主題的朋友提取概率矩陣分解算法以及其他的概率矩陣分解算法在社交關系稀疏時，推薦準確率下降的問題，提出了一種基于用戶主題聚類的概率矩陣分解算法。該算法通過相同的用戶喜好的主題挖掘，找出用戶的喜好，并根據用戶的喜好對所有用戶進行聚類，再從聚類的結果為社交關系稀疏的用戶“構建”新的社交關系，使這部分用戶的社交關系變得相對稠密，以達到社會化推