基于二部图网络结构的个性化推荐系统研究

VIP免费

3.0 陈辉 2024-11-19 8 4 954.78KB 49 页 15积分

侵权投诉

摘要

近年来，伴随着互联网技术的迅猛发展，越来越多的用户面临着信息过载：

用户面临海量的信息以至于用户不能从中选择自己所需要的信息。人们在互联网

中获取所需信息的主要渠道仍是通过搜索引擎。推荐系统的出现，使得用户搜索

个性化的信息成为可能。推荐系统也因此受到了各个学科的普遍关注，利用复杂

网络的方法来研究推荐系统的推荐算法就是其中的一个研究方向。

利用复杂网络的方法来研究推荐系统的推荐算法，其根本思想是试图通过推

荐系统中用户选择项目的关系，构建一个二部图网络，通过二部图网络资源分配

过程，结合协同过滤算法来产生新的推荐算法。通过二部图网络资源分配过程，

可以得到一个资源分配矩阵。该矩阵代表了某种资源通过二部图结构来进行重新

分配。它可以从两个方面来考虑，其中都是假定用户选择过的项目有向用户推荐

其他项目的能力。一种算法是从项目的角度来考虑，首先是计算项目之间的相似

度，以项目的相似度在所有项目相似度中的权重作为该项目的初始推荐资源，在

向某一个用户推荐时，用户选择过的项目具有初始推荐资源，没有选择过的项目

没有初始推荐资源，然后对用户未选择过的项目进行预测打分，按照用户未选择

过项目的打分高低向用户推荐项目。第二种算法是从用户的角度来考虑，首先是

计算用户之间的相似度，以某用户相似度在所有用户相似度中的权重作为该用户

的初始推荐资源，通过资源分配矩阵重新分配，然后对用户未曾选择的项目进行

预测打分，然后向用户推荐打分最高的项目。

在验证算法的有效性以及可扩展性时，本文采用真实数据来验证。在衡量个

性化推荐系统的推荐算法时，采用的衡量指标主要有排序值，平均度以及海明距

离，相比于全局排序算法与经典的协同过滤算法，测试结果表明算法效果具有了

明显的改进。同时，本文进一步证明了基于项目的推荐算法产生的推荐效果要好

于基于用户的推荐算法。同时，针对两种算法表现的不同，从度分布以及项目

（用户）相似度同度的关系两个方面来考察产生不同结果的原因。文章最后提出

了本文的不足，以及将来进一步的研究方向。

关键词: 个性化推荐系统协同过滤复杂网络二部图网络投影

ABSTRACT

With the rapid development of the Internet technology in the last decade, we

confront with information overload: there are too much data on the Internet that users

can’t access to the information they interested in. Search engineer is the main tools that

users get the information they favorite from the Internet nowadays. The emergence of

the Recommends System makes users access personal information possible. Therefore,

many disciplines began to focus on Recommendation System, and take advantage of

complex network method to solve the problem of Recommend System algorithm is one

of the research area.

The main idea of taking use of the method of complex network to solve problem of

Recommendation System algorithm is to find out the relations between the user and

item in one Recommends System and then map it into a bipartite network. And then the

resource distribution process on bipartite network is taken into account and combine

with collaborative filtering method to obtain one new recommendations method. One

resource distribution matrix representing resource distributed from one node (each item

or user maybe present by a node) to another is obtained after the process of resource

distribution on bipartite network, which is also one kind of projection from bipartite

network to unique network. It is two aspects to deal with this matrix in this paper. One

method from the item’s perspective is that the similarity between items is calculated and

the weight of the item similarity one item with any other items in system can view as

the initial recommendation resource. When the system recommend items to user, only

the item that the user already selected have the initial recommendation resource and

score the item the user unselected. Then the system recommend item to user according

to the score of the item after predication from high to low. Another method from user’s

point is that the similarity of the user is gained and the weight of the similarity one user

with any other users in this recommendation system similarly views as the initial

recommendation resource. By taking resource distribution matrix into account, the item

score that the user unselected is predicted and then the system recommend the user with

the top score one.

When verify the validation and extension of our algorithm, the real dataset is

applied to five methods motioned in this paper. There are three measurements adopted

in this paper to measure the achievement of our personal recommendation algorithm,

which is ranking value, average degree and hamming distance respectively. The

experiment result demonstrates that out method has well performance when compared

with Global Ranking method and Classical Collaborative Filtering method based on

item and user respectively. It also concluded that our method based on item is better

than our method based on user in our test dataset. Meanwhile, the degree distribution

and the relation between degree and item (user) similarity is calculated when we try to

find out the different performance of our two method. Finally, it is the shortcomings of

our method and our future work that presents.

Key words:recommendation system, collaborative filtering, complex

network, bipartite network projection

中文摘要

ABSTRACT

第一章绪论 ......................................................... 1

§1.1 研究背景及其意义 ........................................... 1

§1.2 研究框架 ................................................... 4

第二章复杂网络理论简介 .............................................. 6

§2.1 单模式网络统计属性研究 ..................................... 6

§2.1.1 度及其相关属性 ........................................ 7

§2.1.2 平均最短路径 .......................................... 7

§2.1.3 聚类系数 .............................................. 8

§2.2 二部图网络投影及属性研究 ................................... 8

§2.2.1 无加权二部图投影 ...................................... 9

§2.2.2 加权方式的二部图投影 .................................. 9

§2.2.3 二部图网络属性研究 ................................... 11

§2.3 个性化推荐系统 ............................................. 14

§2.3.1 协同过滤系统 ......................................... 14

§2.3.2 基于内容的推荐系统 ................................... 17

§2.3.2 基于网络结构算法的推荐系统 ........................... 19

§2.3.3 混合推荐算法的推荐系统与推荐系统的衡量指标 ........... 20

第三章基于项目的个性化推荐算法 ..................................... 22

§3.1 二部图网络统计属性 ........................................ 22

§3.2 推荐算法设计 .............................................. 23

§3.3 改进推荐算法 .............................................. 25

§ 3.4 仿真实验说明与算法衡量指标 ............................... 25

§ 3.5 算法结果及说明 ........................................... 26

第四章基于用户的个性化推荐算法 ..................................... 30

§4.1 推荐算法设计 .............................................. 30

§4.2 推荐改进算法 .............................................. 31

§4.3 算法结果及说明 ............................................ 31

§4.4 小结 ...................................................... 34

第五章论文总结和展望 ............................................... 35

附录 ................................................................ 37

参考文献 ............................................................ 42

在读期间公开发表论文和承担科研项目及取得的成果 ...................... 45

致谢 ............................................................. 46

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

15 积分 4人已下载

立即下载 VIP免费下载

摘要：

摘要近年来，伴随着互联网技术的迅猛发展，越来越多的用户面临着信息过载：用户面临海量的信息以至于用户不能从中选择自己所需要的信息。人们在互联网中获取所需信息的主要渠道仍是通过搜索引擎。推荐系统的出现，使得用户搜索个性化的信息成为可能。推荐系统也因此受到了各个学科的普遍关注，利用复杂网络的方法来研究推荐系统的推荐算法就是其中的一个研究方向。利用复杂网络的方法来研究推荐系统的推荐算法，其根本思想是试图通过推荐系统中用户选择项目的关系，构建一个二部图网络，通过二部图网络资源分配过程，结合协同过滤算法来产生新的推荐算法。通过二部图网络资源分配过程，可以得到一个资源分配矩阵。该矩阵代表了某种资源通过二部图...

展开>> 收起<<

基于二部图网络结构的个性化推荐系统研究.pdf

共49页,预览5页

还剩页未读，继续阅读

基于二部图网络结构的个性化推荐系统研究

相关推荐

开通VIP享超值会员特权

作者详情

相关内容

推荐作者

热门标签

举报选择: