基于情境上下文和社交网络的个性化推荐方法研究-软件工程专业论文.docxVIP

Classifled Classifled Index：TP3 11 U．D．C：004 Southwest Jiaotong University Master Degree Thesis I之ESEARCH 0N PERSONALIZED RECOMMENDATION METHOD BASED ON CONTEXT AND SOCIAL NETWORK Grade：2013 Candidate：Li Qiang Academic Degree Applied for：Master Speciality：Software Engineering Supervisor：A．R Chen Jun May,2016 万方数据 西南交通大学学位论文版权使用授权书 西南交通大学 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，同意学校保留并 向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授 权西南交通大学可以将本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、缩印或扫描等复印手段保存和汇编本学位论文。 本学位论文属于 1．保密口，在 年解密后适用本授权书； 2．不保栅使用本授权书。 (请在以上方框内打“寸’) 学位论文作者签名： 芹够 指导老师签名： 日期：0川．3-．，舻 日期：谚o c 6。!；‘c丫． 万方数据 西南交通大学硕士学位论文主要工作(贡献)声明本人在学位论文中所做的主要工作或贡献如下： 西南交通大学硕士学位论文主要工作(贡献)声明 本人在学位论文中所做的主要工作或贡献如下： 1．对传统的协同过滤推荐算法进行研究，详细总结了推荐算法中常用的相 似度计算方法和推荐评价指标，并分析了现有的推荐算法的不足之处。 2．针对传统协同过滤推荐算法的不足提出了多种基于时间、地点上下文和 社交网络的改进推荐算法。在传统的协同过滤算法相似度计算的基础之 上，具体引入以下信息： 1)考虑两个方面的时间变化：一个是用户随时间变化的兴趣相似度， 另一个是相似用户的最近兴趣。本文引入了一个时间衰减函数来体 现用户不同时期的兴趣变化。 2)不同地方的用户兴趣存在着一定的差别，本文将用户按照不同城市 进行类别划分，相同城市用户的地点相似度权重大，不同城市用户 的地点相似度权重小。 3)根据用户社交网络信息计算用户的熟悉程度，用户之间的共同好友 比例越高，用户之间越熟悉，他们的兴趣相似度也就越高。 3．在豆瓣数据集上对改进算法和传统的协同过滤推荐算法进行实验对比， 并对实验结果进行对比分析，证明了本文提出的改进算法比传统的协同 过滤算法对推荐准确度有明显的提高。 本人郑重声明：所呈交的学位论文，是在导师指导下独立进行研究工作所得 的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体己经 发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文中作 了明确说明。本人完全了解违反上述声明所引起的一切法律责任将由本人承担。 学位论文作者签名： 才绳 ／ 日期：如伯．，·’y 万方数据 西南交通大学硕士研究生学位论文 西南交通大学硕士研究生学位论文 第1页 摘要 随着W曲2．0时代的到来，我们面临最大的问题就是信息过载，搜索引擎和 推荐系统的出现解决了这个问题。协同过滤推荐算法是现在最常用也是最成功的 推荐技术之一，在电子商务等诸多领域有着广泛的应用。但是传统的协同过滤推 荐算法存在稀疏性和冷启动等问题，所以很有必要在推荐算法中引入新的数据源 来减轻这些问题。情境上下文和社交网络可以给推荐系统提供更多关于用户的信 息。相比传统的协同过滤推荐算法，引入情境上下文可以帮助用户更准确地找到 用户感兴趣的项目，社交网络则可以提供更多的用户偏好信息以及用户行为数 据，从而部分地缓解了推荐系统的稀疏性和冷启动问题。所以如何融合情境上下 文和社交网络信息来提高推荐系统的准确度是一个很值得研究的问题。 本文提出了几种融合时间上下文、地点上下文和用户社交网络信息推荐算 法。在传统的协同过滤算法相似度计算的基础之上，进行如下改进： 1．用户的兴趣会随时间的推移而产生变化，本文考虑两个方面的时间变化： 一个是用户随时间变化的兴趣相似度，另一个是相似用户的最近兴趣。 我们引入了一个时间衰减函数来体现用户不同时期的兴趣变化。 2．不同地方的用户兴趣存在着一定的差别，本文将用户按照不同城市进行 类别划分，相同城市用户的地点相似度权重大，不同城市用户的地点相 似度权重小。 3．用户往往对基于自己好友的推荐信息更加信任，因此如果推荐项目是好 友感兴趣的项目，那么用户就会更相信推荐结果。本文根据用户社交网 络信息计算用户的熟悉程度，用户之间的共同好友比例越高，用户之间 越熟悉，他们的兴趣相似度也