面向大数据的可信服务推荐方法研究-软件工程专业毕业论文.docxVIP

万方数据 万方数据 南京邮电大学学位论文原创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。 尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过 的研究成果，也不包含为获得南京邮电大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 本人学位论文及涉及相关资料若有不实，愿意承担一切相关的法律责任。 研究生签名： 日期： 南京邮电大学学位论文使用授权声明 本人授权南京邮电大学可以保留并向国家有关部门或机构送交论文的复印件和电子文 档；允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据库进行检索； 可以采用影印、缩印或扫描等复制手段保存、汇编本学位论文。本文电子文档的内容和纸质 论文的内容相一致。论文的公布（包括刊登）授权南京邮电大学研究生院办理。 涉密学位论文在解密后适用本授权书。 研究生签名： 导师签名： 日期： 摘要 服务推荐是服务选择的重要环节。随着社交网络的发展，网络规模和用户数量的急剧上 升，分析处理用户数据的时间越来越长，在大数据场景下实现基于用户需求的服务推荐面临 巨大挑战。当用户数据量很大时，传统的协同过滤服务推荐方法会遇到计算瓶颈，解决该问 题的有效方法之一就是利用社交网络理论中的社团发现方法划分用户网络。但现有的社团发 现算法的计算复杂度较高，当数据维度和规模增大时，需要的资源呈指数增长，大数据场景 下的社团发现显得力不从心。另一方面，目前社团发现方法较少考虑用户信任对社团发现带 来的影响，邻居中的恶意用户也在不断增多，降低了推荐结果的精确性。此外，如何动态地 加入新用户以及及时删除恶意用户也是比较棘手的问题。 为实现大数据场景下高效、可信的服务推荐，将社交网络理论和信任理论的研究成果有 机融合，本文提出了大数据场景下基于可信社团的服务推荐方法，具体工作如下： （1）本文在已有的信任模型理论研究成果的基础上考虑了信任随时间变化的特点以及信 任的动态性建立用户间的信任关系，计算用户与服务提供者的信任度；同时，构建可信社团 的优化方法，包括根据用户的兴趣偏好提出了新用户的加入方法以及利用信任关系和用户邻 居的相似性发现并删除恶意用户的方法。仿真结果表明本文提出的恶意用户发现方法可以有 效的抵御恶意用户的攻击。 （2）本文利用信任关系构建用户可信社团，并在此基础上提出了可信社团发现算法。利 用该算法可以有效地划分海量用户，使相似的用户尽可能地聚集在同一个社团中。本文利用 MapReduce 框架将社团发现算法并行化处理，进一步提高算法的运行效率，并结合并行化的 协同过滤推荐方法提出了大数据场景下的基于可信社团的服务推荐模型。仿真结果表明本文 提出的服务推荐方法有效的提高了推荐质量和效率。 （3）本文结合提出的服务推荐方法设计并实现了服务推荐原型系统与应用示范，通过应 用示范的展示，有效的提高了服务推荐结果的精确度，降低了恶意用户对服务推荐的影响， 进一步说明了本文提出方法的可行性与有效性。 关键词: 大数据 ，服务推荐 ，可信社团 ，社团发现 I Abstract Service recommendation is an important part of service selection. With the development of social networks are increasing so quickly that service selection based on user demand are facing challenges in the big data environments. One effective way to solve the above problem is to divide the social network by the community detection method. But existing method has a high computation cost. Meanwhile, it doesn’t consider that user trust may affect the effect of community detection method and malicious users are growing in a high speed which will also reduce the accuracy of the recommendation result. How to dynamically add new users and remove th