基于用户信任度和社会化标签的协同过滤算法研究

《基于用户信任度和社会化标签的协同过滤算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、ＳｏｕｔｈＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ硕士学位论文基于用户信任度和社会化标签的协同过滤算法研究作者姓名赵明飞学科专业计算机科学与技术指导教师邓辉舫教授所在学院计算机科学与工程学院论文提交日期２０１８年４月CollaborativeFilteringAlgorithmBasedonUser'sTrustDegreeandSocialTagsADissertationSubmittedfortheDegreeofMasterCandidate：ZhaoMingfeiSupervisor：Prof.DengHu

2、ifangSouthChinaUniversityofTechnologyGuangzhou,China分类号：TP39学校代号：10561学号：201520130677华南理工大学硕士学位论文基于用户信任度和社会化标签的协同过滤算法研究作者姓名：赵明飞指导教师姓名、职称：邓辉舫教授申请学位级别：工学硕士学科专业名称：计算机科学与技术研究方向：数据挖掘论文提交日期：2018年4月20日论文答辩日期：2018年5月31日学位授予单位：华南理工大学学位授予日期：年月日答辩委员会成员：主席：余志文教授委员：邓辉舫教授、陆璐教授、袁华副教授、陈琼副教授华南理工大学学位论文原创性声明本人

3、郑重声明：所呈交的论文是木人在导师的指导卜独立进行研究所取得的研究成果。除ｒ文中特别加以标注引用的内容外，木论文不包含任何其他个人或集体己经发表或撰写的成果作品。对本文的研究做出東要贡献的个人和集体，均己在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。（作者签名：：６门丨丨期曰丨ｆ年学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知：ｉ只产权单位属华南理工大学。７校有权保存并向国家有关部门或机构送交论文的复印件和电子版，允许学位论文被杳阅（除在保密期内的保密论文外）

4、；学校ｎ丨以公布学位论文的全：部或部分内容，可以允许采用影印、缩印或ｊｔ它复制手段保存、ｒ编学位一论文。木人电子文档的内容和纸质论文的内容相致。本学位论文属于：□保密，在年解密后适丨本授权书。０不保密，同意在校园网上发布，供校内师生和与学校有共亭协议的单位浏览；同意将本人学位论义提交屮Ｗ学术期刊（光盘版）电子杂忐ｆ上伞文出版和编入ＣＮＫ丨《中国知ｉ只资源总库》．传播学位论义的仝部或部分内容。“”（请在以丨相应方框内打Ｖ＞作＃签名丨丨明：年６６丨丨０］指导教师签名：丨丨期：年ｐｊ６ＩＩ＼ｙ作ｖｔ联系屯沾：屯十邮联

5、系地址（Ａ邮编）：摘要随着互联网的广泛普及和电子信息技术的飞快发展，网络成为人们获取信息的重要方式，数据正在以超凡的速度呈现爆炸式增长。分类目录、搜索引擎等传统的网络服务已经不能满足人们的个性化信息需求，推荐系统应运而生。目前个性化推荐技术被广泛应用到诸如社交网站、电影音乐网站、电子商务等系统中，以提升用户体验，增强网站竞争力。协同过滤算法以稳定、简单等特性，成为应用最广泛和成功的个性化推荐算法之一。但传统协同过滤算法仍存在许多问题，包括：1）稀疏性：过度稀疏的评分矩阵，无法有效衡量用户之间的相似性；2）多兴趣模型：传统协同过滤基于单一用户兴趣模型进行推荐，当用户有多个兴趣，且兴趣

6、跨度较大时，基于单一兴趣模型预测的结果将会出现很大偏差；3）兴趣变化：传统协同过滤假定用户兴趣一成不变，而现实生活中用户的兴趣是不断变化的。本文针对以上问题，综合利用评分数据和社会化标签信息，提出了两种改进的协同过滤算法。第一种是基于项目属性偏好和信任度的多兴趣推荐算法。首先基于用户评分和项目属性信息构造用户-项目属性偏好矩阵；然后综合用户的评分相似性和项目属性偏好相似性初步筛选近邻；接下来尝试用本文提出的用户级用户信任度融合上述综合相似度共同选取K近邻；最后在预测评分时，用本文提出的基于特定用户和特定项目的用户信任度融合上述综合相似度作为推荐权重。第二种是基于时间和社会化标签聚类的协

7、同过滤。首先通过Word2vec语言模型生成社会化标签的词向量；然后对标签词向量聚类，并借鉴TF-IDF思想构造用户-标签类别偏好矩阵；接下来考虑用户动态标注信息反映的用户兴趣变化，设计一种时间衰减函数作为标签类别偏好权重；然后计算用户相似性并产生预测评分。最后将两个算法进行混合，通过在Movielens数据集上进行多组实验，验证了本文算法有效地改善了数据稀疏性、兴趣模型单一和兴趣变化所导致的推荐结果不准确问题，比其他相关改进算法推荐效果更好。