3毕业论文答辩.pptVIP

3.基于社交网络的协同过滤推荐方法 用户兴趣模型挖掘 基于向量空间模型（Vector Space Model） ((t1,w1),(t2,w2),(t3,w3),……,(tn,wn)) Interest=Profile，Tag SocialRelation=Similarity, Familiarity * 3.基于社交网络的协同过滤推荐方法 构建基于兴趣模型的社交网络关系 用户相似度：余弦相似度 用户熟悉度：Jaccard指数 * 3.基于社交网络的协同过滤推荐方法 构建基于社交网络的协同过滤推荐模型 社交网络邻居评分 协同过滤邻居评分 * 3.基于社交网络的协同过滤推荐方法 实验设计 评价绝对偏差（Mean Absolute Error，MAE） 预测评分集合{p1,p2,…,pn} 实际评分集合{q1,q2,……,qn} * 3.基于社交网络的协同过滤推荐方法 实验步骤 1.首先把文本数据格式化处理 2.以协同过滤方式预测用户评分并对比计算MAE 3.结合社交网络预测用户评分并对比计算MAE 4.计算社交网络用户邻居与协同过滤邻居权重比例 * 3.基于社交网络的协同过滤推荐方法 实验结果 MAE值随用户邻居数量变化情况 * 3.基于社交网络的协同过滤推荐方法 实验结果 MAE值随用户邻居组合变化情况 * 目录 1 绪论 2 相关技术分析 3 基于社交网络的协同过滤推荐方法研究 4 实验及分析 5 系统设计与实现 6 结论与展望 * 4.系统设计与实现 系统架构 * 4.系统设计与实现 社交网络结构关系图 * 4.系统设计与实现 系统推荐模块关系 * 4.系统设计与实现 移动客户端架构图 * 4.系统设计与实现 * 目录 1 绪论 2 相关技术分析 3 基于社交网络的协同过滤推荐模型研究 4 实验及分析 5 系统设计与实现 6 结论与展望 * 5.结论与展望 结论 提出一种基于社交网络的协同过滤推荐方法 通过实验得出了社交网络推荐邻居和协同过滤推荐邻居的最优权重比例 设计实现了基于社交网络的移动应用推荐系统 * 5.结论与展望 工作展望 用户模型的复杂性 模型的计算及改进 数据安全性 * 衷心的感谢各位评审老师！！ * 六度分割理论 * 六度分割理论 * 关联规则的基本原理是通过分析挖掘用户的购买记录，发现不同商品之间潜在的联系，找出用户在购买一件商品时可能购买的其他商品组合。 基于内容的推荐技术（Content-based Recommendation）是根据用户的历史浏览内容信息，通过机器学习从中抽取内容的特征来向用户推荐 * 余弦相似其中sim(ui,uj)表示用户ui和用户uj的相似度，rui,t表示用户ui对兴趣标签t的偏好度，ruj,t表示用户uj对兴趣标签t的偏好度，Tij是用户ui和用户uj标签的交集。 Jaccard指数是修正了的通过共同邻居计算用户相似度的指标 其中， 表示用户ui的邻居数量， 表示用户uj的邻居数量，通过共同邻居数量除以邻居的并集数量而得出。计算选取与目标用户Jaccard指数高的用户作为目标用户的熟悉度近邻。 结合相似度和熟悉度选取Top-N的用户推荐给用户，用户也可以主动关注感兴趣的其他用户，形成基于用户兴趣的相互关注社交网络，并获得用户最近邻居，计算出社交网络中近邻用户对项目的平均评分。 * 同时结合基于用户社交关注关系获得的目标用户最近邻居集，最终，根据两部分评分而预测用户的评分 * 由于本文研究的内容涉及到社交网络和个性化推荐两部分，其最终最终推荐过程是社交网络的用户关注关系基础数据整合到协同过滤推荐中，网上并没有大量公开的数据集，经过多方努力找到Flixster电影网的用户关注关系和电影评分数据集。 合理的选择实验评价标准有利于获得较好的实验结果和算法改进，本文对于推荐的准确度评价采用平均绝对偏差[]（Mean Absolute Error,MAE）方法，该方法根据预测评分和实际评分之间的差值来评价算法，差值越小，算法准度越高。实验将原始数据集分为训练集和测试集，使用训练集得到实验结果，并与测试集对比得到MAE值。设预测评分集合{p1,p2,…,pn}，实际评分集合{q1,q2,……,qn} * 将用户评分分组导入原型系统进行验证，通过协同过滤方式推荐用户的最近邻居，最近邻居取N（N=5,10,15,20,25,30,35,40,45,50），得到用户的评分信息，与测试集中用户评分信息对比，计算MAE值。 将用户评分信息、用户关注关系信息导入原型系统，每组随机选取一个用户节点，根据用户评分信息，关注关系挖掘出用户的社交圈的最近邻居集，邻居数分别取值N（N=5,10,15,20,25,30,35,40,4