一種融合信任關(guān)系與用戶項(xiàng)目標(biāo)簽信息的推薦算法.pdf

1、在信息互聯(lián)網(wǎng)高度發(fā)達(dá)的今天，解決信息過(guò)載問(wèn)題已經(jīng)成為互聯(lián)網(wǎng)技術(shù)發(fā)展的方向之一。如何從網(wǎng)絡(luò)海量信息中獲取有價(jià)值的信息是研究信息過(guò)載問(wèn)題的關(guān)鍵，而個(gè)性化推薦作為解決此問(wèn)題的關(guān)鍵技術(shù)，具有重要的學(xué)術(shù)意義和應(yīng)用價(jià)值。協(xié)同過(guò)濾以及協(xié)同過(guò)濾的各種衍生算法以其不依賴于信息的具體內(nèi)容、易于實(shí)施、可以產(chǎn)生新異推薦等特性被大量的互聯(lián)網(wǎng)企業(yè)所采用，并成為一個(gè)學(xué)術(shù)研究熱點(diǎn)。但該類算法都有數(shù)據(jù)稀疏性，冷啟動(dòng)等問(wèn)題。針對(duì)數(shù)據(jù)稀疏性問(wèn)題，現(xiàn)有的方法主要是通過(guò)提高評(píng)分

2、矩陣的密度或者修正推薦的關(guān)鍵過(guò)程來(lái)緩解數(shù)據(jù)稀疏性問(wèn)題對(duì)推薦算法的不利影響，但這兩種方法都沒(méi)有從本質(zhì)上解決數(shù)據(jù)稀疏性問(wèn)題。而對(duì)于冷啟動(dòng)問(wèn)題，有效地利用項(xiàng)目的內(nèi)容信息和用戶的個(gè)人信息（社交網(wǎng)絡(luò)信息）是解決冷啟動(dòng)問(wèn)題的有效方法之一。本文從增加信息類別的角度出發(fā)，把社交網(wǎng)絡(luò)中用戶的好友關(guān)系、標(biāo)簽信息加入推薦模型，用于緩解數(shù)據(jù)稀疏性和冷啟動(dòng)問(wèn)題對(duì)推薦算法的不利影響。在結(jié)合社交網(wǎng)絡(luò)緩解數(shù)據(jù)稀疏性和冷啟動(dòng)問(wèn)題的過(guò)程中，本文展開(kāi)了如下工作：
　　

3、1.提出一種融合信任關(guān)系與用戶項(xiàng)目二部圖結(jié)構(gòu)的矩陣分解推薦方法（CF-SOCBN）。方法在對(duì)評(píng)分矩陣進(jìn)行分解的基礎(chǔ)上，加入用戶信任關(guān)系和用戶項(xiàng)目二部圖結(jié)構(gòu)信息，并在用戶項(xiàng)目二部圖中采用了物質(zhì)擴(kuò)散算法計(jì)算用戶之間的相似度，采用梯度下降算法訓(xùn)練模型參數(shù)。最后在Epinions數(shù)據(jù)集上與近三年來(lái)較流行的算法（PMF算法、CF-BN算法、CF-Soc算法）作對(duì)比試驗(yàn)，實(shí)驗(yàn)對(duì)比表明CF-SOCBN方法在RMSE和MAE上有比較大的提高，尤其在冷啟

4、動(dòng)和稀疏數(shù)據(jù)情況下，該方法的推薦精度明顯優(yōu)于傳統(tǒng)的推薦方法。
　　2.在CF-SOCBN算法的基礎(chǔ)上融入了用戶標(biāo)簽信息，提出一種融合信任關(guān)系與用戶項(xiàng)目標(biāo)簽三部圖結(jié)構(gòu)的矩陣分解推薦方法（SocTagTri）。方法在對(duì)評(píng)分矩陣進(jìn)行分解的基礎(chǔ)上，加入用戶信任關(guān)系和用戶項(xiàng)目標(biāo)簽三部圖結(jié)構(gòu)信息，并將用戶項(xiàng)目標(biāo)簽三部圖分解為用戶項(xiàng)目二部圖和用戶標(biāo)簽二部圖，分別對(duì)其采用了物質(zhì)擴(kuò)散算法計(jì)算用戶之間的相似度，然后借助線性模型將基于兩個(gè)二部圖的相似度