基于節(jié)點(diǎn)用戶和概率矩陣分解模型的推薦算法

1、基于節(jié)點(diǎn)用戶和概率矩陣分解模型的推薦算法NodeUserbasedMatrixFactorizationModelforRecommendationAlgorithm專業(yè)：計算機(jī)科學(xué)與技術(shù)作者姓名：張敏杰指導(dǎo)教師：于瑞國副教授天津大學(xué)計算機(jī)科學(xué)與技術(shù)學(xué)院二零一五年十二月萬方數(shù)據(jù)摘要基于矩陣分解的推薦算法在推薦系統(tǒng)領(lǐng)域己得到長足發(fā)展，同時隨著社交網(wǎng)絡(luò)等的興起，用戶社交關(guān)系在推薦算法中也越來越扮演著舉足輕重的地位。社交網(wǎng)絡(luò)較傳統(tǒng)社交的最大區(qū)

2、別在于社交網(wǎng)絡(luò)中信息流動會顯著的受一些影響力很大的用戶影響，這些用戶被稱為“節(jié)點(diǎn)用戶”。單純的矩陣分解模型及將社交網(wǎng)絡(luò)引入矩陣分解的模型在近些年被大量提出，但對于社交網(wǎng)絡(luò)中的節(jié)點(diǎn)用戶以及節(jié)點(diǎn)用戶影響力對模型和推薦效果的影響鮮有研究。論文主要研究內(nèi)容包括：1)分析社交網(wǎng)絡(luò)中用戶影響力指標(biāo)，定義節(jié)點(diǎn)用戶，并利用斯皮爾曼等級系數(shù)分析各指標(biāo)之間關(guān)系；2)將節(jié)點(diǎn)用戶影響力引入矩陣分解模型，提出基于節(jié)點(diǎn)用戶的概率矩陣分解模型；3)提出二度拓展和基于

3、影響力的限制性拓展兩種社交關(guān)系拓展方法，通過緩解模型中社交關(guān)系數(shù)據(jù)的稀疏性，來提高預(yù)測準(zhǔn)確度。論文首先研究社交網(wǎng)絡(luò)中的用戶影響力指標(biāo)并對節(jié)點(diǎn)用戶進(jìn)行定義，提出基于節(jié)點(diǎn)用戶的概率矩陣分解模型，并針對該模型采用豆瓣電影和Yelp數(shù)據(jù)集進(jìn)行驗證。實驗證明了該模型的有效性，并且在社交關(guān)系數(shù)據(jù)質(zhì)量較高時較其他模型優(yōu)勢明顯，同時結(jié)果也展示出在不同特點(diǎn)的環(huán)境和數(shù)據(jù)下應(yīng)選用不同影響力指標(biāo)；其次本文提出了兩種緩解社交關(guān)系稀疏性的方法，同樣通過上述數(shù)據(jù)集進(jìn)