论文部分内容阅读
随着移动互联网技术的发展和社交网络的兴起,网络已经成为人们获取和发布信息的主要方式,爆炸式增长的信息在给人们生活带来便利的同时,过载的信息也开始困扰人们的生活。为此,融合社交信息的个性化推荐不仅成为机器学习和数据挖掘领域的一个研究热点,也成为互联网和社交网站平台广为使用的一种智能化服务工具。现有的融合社交信息的个性化推荐方法主要以基于矩阵分解的协同过滤推荐为原型,将反映用户偏好的社交信息融入评分矩阵进行预测,很好地改善了推荐系统的精度。然而,现有的这些推荐方法过分依赖于用户评分之类的显式反馈,忽略了那些稀少但是直接反映用户好恶的反馈信息。为此,本文将以现有的融合社交信息的概率矩阵分解模型为基础,设计新的目标函数和推荐算法,以利用这些反映用户好恶的反馈信息来减少用户不喜欢项目在推荐列表中出现的概率。本文工作具体描述如下:(1)提出了融合用户反馈信息的推荐算法。该方法以基于概率矩阵分解的推荐作为基本模型,将这些稀疏却能精确反映用户好恶的反馈信息引入用户评分预测函数,并通过社交网络信任度计算来改善隐式反馈信息的数据稀疏性,在不降低算法整体性能的前提下优化了推荐列表,实现了让用户反感或不喜欢内容的有效过滤。真实数据集上的实验结果验证了本算法的有效性。(2)提出了基于可信用户的推荐算法。虽然用户的好恶信息能大幅降低用户反感内容在推荐列表中出现的概率,但是绝大多数用户并没有这样直接的反映自身好恶的反馈信息。为此,本文将借助于信任计算,依据用户之间通过关注、转发等形式产生关联,将少数用户的好恶信息传播给这些关联用户,以充分利用这些稀少但有效的反馈信息来降低关联用户推荐内容中反感结果出现的概率。真实数据集上的实验结果验证了本算法的有效性。(3)基于上述算法,本文设计并实现了一个融合信任用户反馈的推荐算法应用系统。本系统在对用户评分和反馈进行处理的基础上,利用本文提出的推荐算法,有效实现了用户喜好电影列表的推荐,尤其是当用户输入了“不感兴趣”之类的反馈时,与之相关的内容会有效过滤。