基于信任度的推荐系统研究与应用
随着互联网技术的快速发展,各类社交网站为用户提供高效便利服务的同时,也存有严重的信息过载现象,即数据复杂化、冗余化、同质化等问题,影响用户的社交体验。推荐系统由此应运而生,它主要利用推荐算法对显式历史信息进行分析进而预测用户未来行为。但显式信息往往不易获取且非常稀疏,而隐式信息能够全面反馈用户喜好且数据量丰富,并且大多数推荐算法对于隐式数据的挖掘能力欠佳而对数据的利用率大打折扣。针对上述问题,本文从用户信任度这个隐式反馈入手,并结合神经网络推荐算法,对推荐系统进行研究与实现。主要内容如下:(1)在传统社交网络用户信任模型的基础上,提出了一种计算用户之间信任度值的改进方法,细化了计算信任度值时应考虑的社交网络中对信任度的影响因子,综合用户特征相似度、好友圈吻合度和用户交互紧密度并为其分配不同的权重来提升信任度值计算的准确性。本文提出的信任模型不同于只考虑用户直接信任的传统模型,添加了对用户间接信任度的计算,随后在腾讯微博用户数据集上对改进模型的计算方法有效性进行了举例例证。(2)为了充分利用已有数据来填充数据集中的空缺位置,同时提升学习特征向量的效率,本文在经典的神经网络协同过滤推荐算法的基础上提出了融合信任度和全局注意力机制的T-NAMF算法。在Movie Lens-1m和Pinterest-20两个数据集上进行验证,实验结果表明,本文提出的神经注意力矩阵分解网络模型在推荐性能上明显优于IFE-NCF等高性能算法。(3)将T-NAMF算法应用于电影推荐系统中,利用python语言进行系统实现,充分体现本文算法的可行性。
- 作者:
- 潘姿屹
- 学位授予单位:
- 北方民族大学
- 专业名称:
- 计算机技术
- 授予学位:
- 硕士
- 学位年度:
- 2021年
- 导师姓名:
- 姜久雷;梁明道
- 中图分类号:
- TP391.3
- 关键词:
- 社交网络;信任度;神经网络;注意力机制
-