基于協(xié)同過濾的個性化社區(qū)推薦方法研究.pdf

1、在虛擬社區(qū)中，用戶可以依據(jù)自己的興趣愛好創(chuàng)建群組或者社區(qū)，在這些社區(qū)中，用戶可以互相交流、獲取自己所感興趣的信息。用戶也可以加入到別人已經(jīng)創(chuàng)建的社區(qū)中去。如今，互聯(lián)網(wǎng)上的虛擬社區(qū)的數(shù)量越來越多，用戶想從如此大量的社區(qū)中找到其感興趣的社區(qū)，變得愈來愈困難。因此，如何快速有效地為用戶推薦其所感興趣的社區(qū)越來越受到重視，成為了日益受到關(guān)注的研究內(nèi)容。
　　 現(xiàn)有的社區(qū)推薦算法，容易遇到由于數(shù)據(jù)觀察的限制所導(dǎo)致的過擬合現(xiàn)象以及計算量龐大

2、的問題。并且這些方法忽略了用戶與社區(qū)之間的關(guān)系強弱，也沒能考慮用戶興趣隨著時間的發(fā)展變化。如果有新用戶加入，無法及時快速的更新模型，沒有良好的可擴展性。在這樣的背景下，本文主要研究如何解決現(xiàn)有的社區(qū)推薦方法所遇到的以上問題。論文的主要研究工作以及創(chuàng)新點如下：
　　 1.提出基于軟約束的LDA社區(qū)推薦算法：S-LDA。選擇用戶與社區(qū)關(guān)系強弱作為軟約束。將每個用戶看作一個文檔，用戶參與的每個社區(qū)看成是文檔中的單詞，而用戶與社區(qū)的關(guān)系

3、強弱看作是用戶文檔中同一個社區(qū)單詞的出現(xiàn)次數(shù)。然后采用Gibbs采樣來求解模型參數(shù)。實驗結(jié)果表明，該算法相對于以往的算法有著較明顯的性能優(yōu)勢。
　　 2.提出了一個在線更新模型的系統(tǒng)框架。加入了這個框架的算法SO-LDA，解決了S-LDA算法的可擴展性問題，當(dāng)有新用戶加入時，維持原有的訓(xùn)練好的模型參數(shù)不變，單獨為新加入的用戶文檔訓(xùn)練模型。這種情況下，只需要迭代很少的次數(shù)就可以達(dá)到收斂，因此大大降低了計算的復(fù)雜度。