基于社交网络信任模型的个性化推荐研究.docVIP

　　基于社交网络信任模型的个性化推荐研究 第 1 章 绪论 1.1 研究背景及意义 作为新一代互联网技术发展的重要代表，emory-based CF)和基于模型(Model-basedCF)的协同。基于记忆的方法主要是利用用户或者项目的相似性来预测评分缺失项，基于模型的方式则是根据已有的用户-评分矩阵构造模型，根据模型预测缺失的评分项。协同过滤算法的主要优点在于推荐系统不需要关于被推荐用户和项目的任何相关信息，用户-评分矩阵是系统唯一需要处理的数据，因此它对数据的依赖性极低。协同过滤是基于以下两个假设构建的：对一些项目评分相似的用户在对未来的项目上也及有可能给出相似的评分 在过去评分相似的项目在未来得到的评分也极有可能类似。图 2-1 举了一个简单的例子，为了给用户 Jack 推荐一个新电影，首先系统找到 3 个和 Jack 有相似电影兴趣的用户，然后找出这三个用户喜欢的电影（已看过的），他们三个都喜欢once up a time in the an，因此，首推第一部电影给 Jack。基于记忆的推荐算法就是根据用户的历史记录，即通过用户-项目（user-itemrating）评分矩阵来计算中心用户某一特定项目的可能评分。其主要是通过用户之间的相似性或者项目之间的相似性来预测缺失评分项的，因此又分为基于项目的和基于用户的协同，两种推荐方法在推荐某个项目给目标用户的时候都需要两个步骤：首先利用用户-评分矩阵计算用户-用户的相似度或者项目-项目的相似度，然后根据最相似用户或最相似项目做推荐决策。协同过滤主要基于用户-评分矩阵来计算用户-用户(user-user)和项目-项目(item-item)相似性矩阵，余弦相似度和关联相似度是协同过滤算的中计算相似度最常用的方法。 ...... 2.2 基于信任感知的推荐算法 由于社会网络的开放性和匿名性，一个用户可以拥有多个匿名 ID，同时用户可以匿名发布和传播信息，在促进用户规模扩大的同时，也带来各种交易，交友过程中的不诚信行为，令不少用户蒙受损失。人们越来越难以在海量信息中区分可靠信息和虚假信息，特别是面对不同用户存在分歧的观点时，用户更是难以做出正确的抉择。传统的个性化推荐方法都有一个共同的假设那就是用户之间是独立和恒等分布的，这显然不符合人们的社会性，在推荐的过程中，不应该忽略用户之间基于社会关系的信任。人往往更趋向于自己熟悉信任的朋友之间的推荐，因此用户在推荐系统生成的无社会关系的推荐和信任朋友圈给出的推荐之间做选择的时候，会更倾向于后者，因为后者具有更高的推荐质量和效用性，即使推荐系统给出的结果可能更符合他们最初的要求。目前，用户信任圈子对用户决策过程发挥的作用越来越大，文献[32]经过调研发现，社交网络中有超过 66%的用户会向他们的朋友咨询意见，并且传统的网络广告推送推荐和朋友的推荐两者的影响力相差 12 倍。信任感知推荐系统利用用户信任信息来提高推荐系统的性能，结合信任信息和推荐系统能够一定程度上解决传统推荐中所遇到的冷启动，数据稀疏，易受攻击等问题。 ...... 第 3 章 社交网络中基于多主题的信任研究.....24 3.1 引言 ......24 3.2 数据集以及数据分析 .......26 3.3 基于用户多主题信任强度计算 ....26 3.4 基于信任感知的推荐算法 ........28 3.5 项目评分预测 ........30 3.6 实验分析 .......32 3.7 本章小结 .......36 第 4 章 基于时间感知和用户反馈的个性化推荐 ......37 4.1 引言 ......37 4.2 动态信任网络和用户反馈的定义 .......38 4.3 基于时间感知和用户反馈的推荐方法 ........39 4.4 用户评分预测 ........41 4.5 实验分析 .......43 4.6 本章小结 .......45 第 5 章 总结与展望.....46 5.1 本文总结 .......46 5.2 展望及今后的工作 ....47 第 4 章 基于时间感知和用户反馈的个性化推荐 4.1 引言 传统的个性化推荐的方法假设用户之间静态的信任关系，但是根据社会学理论，信任是随着人类的互动而演化的，通常社科学家研究线下社会的信任演化的方法是：首先邀请一组志愿者，通常这个观察组的人员数量是很少的，然后对这些志愿者跟踪记录随着条件的变化他们在人际交往中的信任是如何变化的。但在线上网络，用户分布在世界各地。被动的观察已经不适用在线社交网络的信任研究了，但线上用户的信任演化可以通过他兴趣爱好的变化来体现。例如，用户在时间Ｔ对Electronics感兴趣，他们更多的会信任Electronics方面的专家，随着时间的变化，在 t+1 时刻用户的兴趣变为Spo