基于社交网络信任模型的商品推荐系统
这是一篇关于电子商务,社交网络,信任模型,推荐系统的论文, 主要内容为随着电子商务迅猛发展，在线商品数量的迅速增长，用户在海量的信息中不容易找到最适合的商品，因此各种商品推荐系统应运而生。目前，基于内容过滤和基于协同过滤的推荐系统已经得到了比较广泛的应用，包括Amazon、eBay、YouTube和Google在内的诸多网站都采用了不同形式的推荐系统，并产生了巨大的商用效益。基于社交网络的商品推荐系统起步较晚，但具有其独特的优势。根据在美国的一个消费心理测试，消费者在网络上看到推广和朋友推荐两者之间的影响推动力相差12倍，人们购物商品时更倾向于朋友的推荐。因此，基于社交网络的商品推荐系统，可以更好地将用户潜在的需求转化为实际购买行为。特别是这几年国内外社交网络爆炸性地增长，为社交网络和电子商务的结合提供了肥沃的土壤。基于社交网络的商品推荐，首先要解决的就是信任问题，这直接关系到推荐的效果。因此信任模型的研究对基于社交网络的商品推荐系统尤为重要。 本文首先介绍了目前国内外在推荐系统和信任模型方面的研究现状，指出了论文的研究内容，接着介绍了一些具体的推荐算法和信任模型。然后，本文设计了一种社交网络信任模型以及建立在其基础上的商品推荐算法。对于社交网络信任模型的设计，我们主要从多维性和动态性这两点考虑。对于商品推荐算法，我们考虑了其可扩展性。基于前面提出的社交网络信任模型和推荐算法，本文在进行系统整体分析和设计的基础上，实现了一个基于社交网络信任模型的商品推荐系统。 最后，本文对系统进行了功能测试和性能实验。经过对实验数据的分析，本文实现的基于社交网络信任模型的商品推荐系统在提高推荐效果和优化推荐路径方面具有较好的表现。
结合信任模型的协同过滤推荐系统研究与实现
这是一篇关于信任模型,协同过滤,电影推荐系统,Hadoop的论文, 主要内容为当今,网络中充斥着各种各样的信息,信息过载问题日益严重。对于普通的网络用户而言,很容易被复杂的信息所干扰,使得他们需要花费成倍的时间以及精力去寻找自己需要的信息。而推荐系统为信息过载问题提供了一种有效的解决方法,它能够针对用户的特点为其提供个性化的推荐服务。推荐系统根据不同的应用需求使用的推荐算法不同,其中协同过滤推荐是目前最为流行并且实用的一种推荐技术。在本文中对现有基于信任的协同过滤推荐算法进行研究和改进,最后设计并实现了一个结合多算法电影推荐系统。本文的主要工作包括:①对推荐系统进行深入研究,分析其概念构成、评估标准等。对几种常用的推荐算法的流程、特点进行重点分析。②传统的协同过滤推荐存在数据稀疏性问题,这在很大程度上影响了推荐结果的准确性。在本文中将信任关系与协同过滤推荐相结合,通过用户之间的信任关系扩充用户最近邻集合,从而缓解数据稀疏性问题。③使用Movie Lens数据集来对改进的算法进行实验,然后将实验的结果与现有的一些协同过滤算法进行比较,以此来对算法改进的有效性进行验证。④设计并实现一个电影推荐系统。为了尽可能多地覆盖到用户的兴趣点,系统中实现了基于内容推荐、基于项目协同过滤推荐以及结合信任模型的协同过滤推荐这三种推荐算法。并且为了满足大数据的处理需求,推荐引擎是基于Hadoop分布式平台实现的。
大数据中基于信任的推荐系统研究与实现
这是一篇关于推荐系统,大数据,数据稀疏,数据处理,信任模型的论文, 主要内容为如今伴随着互联网的快速发展,大量信息也随之产生,虽然为人们提供了更多价值,但这也意味着用户越来越更难以迅速有效地收集并获取满足其自身需求的信息。推荐系统作为一种常用的并且有效的过滤数据信息的方法和手段,越来越得到人们的重点关注。虽然协作过滤算法易于理解,并仅依赖于用户过去的历史评分数据的特征。但它具有冷启动,数据稀疏和难以缩放的缺点。与此同时,伴随着如云计算等新技术的飞速发展,目前的数据量级甚至都达到了ZB级。数据的大量产生使在单机环境下系统的性能受到一些影响。那么要使推荐系统在大数据环境中也可以获得更好的推荐结果,本文对推荐系统和大数据处理中的关键技术展开了相关研究。本文的主要研究工作和创新点如下:针对冷启动和数据稀疏的问题,提出了一种有关信任在网络上进行传递的模型。首先,根据消费者已有的直接信任关系,利用构建的模型来对消费者之间的间接信任关系进行预测,并且把数据的稀疏性问题有效解决。其次,在信任传播模型的基础上,采用随机游走算法,构建一种基于信任的协同过滤推荐模型,改进了消费者之间的信任度计算,区分消费者之间的信任度更加方便,因此给那些信任度高的消费者更高的权重。最后利用EPN的相关数据集进行相关实验分析与设计,来验证本文所提出的改进模型是否高效。从实验结果可以看出,改进模型可以更好地提高给用户推荐的范围,并减轻诸如数据稀疏之类的问题。与Trust Walker推荐模型相比,该模型在MAE和PS指标上达到了更好。针对在大数据的背景下,改进的推荐模型面对海量数据时的可扩展性和计算效率问题,提出了模型在Map Reduce处理平台上进行并行化的分析和处理,在进行Map Reduce并行化处理时,按照Key-Value相对应的模式,按Key重新排序把一个大的问题并行划分成子问题来求解,然后通过Reduce函数将具有相同键的值进行处理,Map函数的作用是将问题划分为子问题然后求解,Reduce函数是将划分求解后的子问题进行合并处理,最终得到一个结果。得到的结果进行对比实验。从实验结果可以看出,并行化的操作后,模型在解决冷启动问题,减轻数据稀疏性和提高推荐精度的同时,可扩展性和计算效率也表现出良好的效果。总之,本文对推荐系统和大数据处理的关键技术展开了深入的研究,针对大数据环境下,推荐系统所存在的问题提出了构建信任模型的方法并进行并行化处理。本研究结果为大数据环境下的推荐系统里的算法和技术的研究提供了思路,具有一定的借鉴意义。
基于社交网络信任模型的商品推荐系统
这是一篇关于电子商务,社交网络,信任模型,推荐系统的论文, 主要内容为随着电子商务迅猛发展，在线商品数量的迅速增长，用户在海量的信息中不容易找到最适合的商品，因此各种商品推荐系统应运而生。目前，基于内容过滤和基于协同过滤的推荐系统已经得到了比较广泛的应用，包括Amazon、eBay、YouTube和Google在内的诸多网站都采用了不同形式的推荐系统，并产生了巨大的商用效益。基于社交网络的商品推荐系统起步较晚，但具有其独特的优势。根据在美国的一个消费心理测试，消费者在网络上看到推广和朋友推荐两者之间的影响推动力相差12倍，人们购物商品时更倾向于朋友的推荐。因此，基于社交网络的商品推荐系统，可以更好地将用户潜在的需求转化为实际购买行为。特别是这几年国内外社交网络爆炸性地增长，为社交网络和电子商务的结合提供了肥沃的土壤。基于社交网络的商品推荐，首先要解决的就是信任问题，这直接关系到推荐的效果。因此信任模型的研究对基于社交网络的商品推荐系统尤为重要。 本文首先介绍了目前国内外在推荐系统和信任模型方面的研究现状，指出了论文的研究内容，接着介绍了一些具体的推荐算法和信任模型。然后，本文设计了一种社交网络信任模型以及建立在其基础上的商品推荐算法。对于社交网络信任模型的设计，我们主要从多维性和动态性这两点考虑。对于商品推荐算法，我们考虑了其可扩展性。基于前面提出的社交网络信任模型和推荐算法，本文在进行系统整体分析和设计的基础上，实现了一个基于社交网络信任模型的商品推荐系统。 最后，本文对系统进行了功能测试和性能实验。经过对实验数据的分析，本文实现的基于社交网络信任模型的商品推荐系统在提高推荐效果和优化推荐路径方面具有较好的表现。
电子商务推荐系统中协同过滤算法的改进与研究
这是一篇关于电子商务推荐系统,协同过滤,聚类分析,信任模型,回归分析的论文, 主要内容为近些年来，互联网迅猛发展，电子商务保持着持续增加的趋势，信息在不断的膨胀甚至于过载，正是因此电子商务面临着巨大的挑战。为了解决这一难题，电子商务推荐系统应运而生，电子商务推荐系统可以帮助用户快速的定位到自己喜欢的商品。协同过滤技术是目前发展最为迅速的的一种个性化推荐技术，但传统协同过滤本身的算法本身具有局限性，存在“稀疏性”问题、“冷启动”问题和“可扩展性”问题等，针对电子商务推荐系统中通常采用的协同过滤推荐算法的不足，本文提出了一种改进的协同过滤组合推荐算法。 本文首先引入聚类分析，在聚类分析的模型中，只将目标用户或项目在由聚类产生的搜索空间进行搜索，而不必在整个数据空间中进行，这样缩小了搜索范围，提高了搜索效率，有效提高了系统的实时响应速度，这就是我们引入聚类分析对数据集进行预处理的原因。 本文引入了信任模型，利用回归分析法将由用户-项目评分矩阵产生的相似度矩阵与由用户-用户信任评分矩阵产生的信任度矩阵相结合，作为进行最近邻搜索的新的标准，提高了推荐的准确性，从而为目标用户提供更好的推荐结果。 本文以传统的协同过滤推荐算法为基础，引入聚类分析与信任模型成为一种新的协同过滤组合推荐算法，该推荐算法能够有效改善或克服传统协同过滤技术中出现的问题，从而提供系统的准确性。本文并对该算法进行了设计，并进行了对比实验，经过实验表明，该算法能够降低预测的用户评分与实际的用户评分之间的平均绝对偏差，提高系统的推荐质量。
基于社交关系和交易属性的社交电商用户信任度量研究
这是一篇关于信任影响因素,信任融合,信任模型,推荐算法,社交电商的论文, 主要内容为社交电商是指通过社交网站、在线社区等途径允许用户自发进行信息流传播和交互互动从而实现商品和服务的销售、购买行为的电子商务,用户与平台之间的双向交流造成的海量内容产生信息过载、冗余信息泛滥的问题,增加了用户获取有效信息的成本,平台中存在的虚假营销、恶意推荐、个人隐私泄露以及对他人评价的可靠性和真实性的不可信等问题引发了用户的信任危机。因此,科学评价社交电商用户的信任,以及据此给出准确有效的推荐,对建立社交电商用户信任机制显得至关重要。论文首先回顾了近年来国内外学者对社交电商商业模式、信任影响因素、信任度量和经典信任模型的研究成果,构造了社交信任网络拓扑结构,选取能够代表用户社交关系的三个因素构建基于社交关系的用户信任度量模型,并给出具体量化算法,同时将社交关系信任和用户影响力之间的关系进行比较分析;然后引入商品交易属性的影响因素和代表社交关系的因素共同构建融合信任模型,并测试了该模型对于信誉诽谤和信誉串通的欺诈环境的抵御能力,以及在不同欺诈成员比例下的信任预测精度;最后构建基于融合信任的社交电商推荐算法。研究表明:熟悉度、偏好相似度、声望度对用户信任的权重依次减小,为提高社交用户信任,社交电商平台应积极激励和促进用户的参与和互动,鼓励用户贡献和用户自生成内容来提高用户互动的活跃度,将拥有共同兴趣爱好的用户汇集在一个个的社群并通过用户内容生产加强用户的社群认可。融合信任度量模型在欺诈环境下具有一定的抵御风险的能力,但当欺诈成员比例增多时,对欺诈行为的抵御能力会下降。基于融合信任模型的推荐算法除了可以给出推荐商品的排序,还可以得到每件商品经目标用户的好友推荐后,在目标好友处形成的态度预测。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设助手 ，原文地址：https://m.bishedaima.com/lunwen/46679.html
