融合灰关联分析和信任度的Slope One算法研究
这是一篇关于协同过滤,均衡接近度,灰关联,Slope One算法,信任度的论文, 主要内容为推荐系统能够有效地过滤用户需求,减轻用户认知负担,为用户提供个性化的信息和服务。协同过滤推荐系统是目前推荐系统中应用最普遍、最受欢迎的一种推荐系统。本文研究的Slope One算法是一种简便、容易执行的基于项目的协同过滤算法。作为一种有效的协同过滤算法,Slope One算法被广泛地应用到一些推荐系统中。但该算法在预测评分时仅根据项目之间的评分差值以及用户的历史评分信息,未能考虑用户之间的潜在联系,而且数据稀疏性和冷启动问题也会限制算法的推荐性能。针对以上问题,本文主要研究工作如下:(1)引入均衡接近度灰关联方法。针对Slope One算法在评分预测时没有考虑用户之间的潜在关系,而以往的改善方法通常采用传统的相似度计算方法来度量用户相似性。但是在推荐系统的实际使用过程中,由于用户的历史交互项非常少导致数据集的稀疏性较大,传统的相似度方法容易受到个别异常点的影响,导致数据丢失和信息失真,在稀疏数据下推荐质量不高。本文提出引入均衡接近度灰关联方法来度量用户关系。通过计算用户之间的均衡接近度,度量用户整体的无差异性,不仅可以减弱局部点关联倾向,还能够充分利用点关联系数提供的丰富信息来考虑用户偏好问题,有效挖掘用户之间的潜在联系。实验结果证明,利用均衡接近度灰关联方法度量用户关联度,可以有效降低贫信息系统中稀疏性对算法的影响,提高算法推荐准确度。(2)引入用户信任模型。在推荐系统中,用户之间的推荐逐渐转变为从信任度较高的用户那里征询建议,信任成为推荐系统的关键影响要素。而且由于大量用户不断加入到系统中,用户的历史评分数据信息有限,导致了冷启动问题。因此,本文引入信任这一概念来有效缓解冷启动问题对Slope One算法的影响,提高算法推荐性能。通过整合用户相似度、用户评级准则以及信任的不对称性来计算直接信任;利用第三方将无法直接度量信任的用户联系起来,同时考虑到信任的传播特性和节点用户的声望得到间接信任。在之前改进的基础上,分别将均衡接近度和信任度作为权重因子加权到预测评分过程中,对不同用户提供差异化推荐服务。实验证明,引入综合信任度可以有效地提高算法预测准确度、缓解算法的冷启动问题。
基于信任度的协同过滤推荐算法研究
这是一篇关于信任度,矩阵分解,协同过滤,推荐系统的论文, 主要内容为随着互联网逐步深入到人们的生活,各行各业涌现出大量数据。大数据为从中提取有价值的信息带来了空前未有的机遇和挑战。推荐系统是解决信息过载的有效工具。它通过用户的历史数据来挖掘用户的兴趣偏好,从而发现用户可能感兴趣的信息并进行推荐。但对于庞大的数据以及稀少的交互信息,推荐系统首要面临的就是数据稀疏性问题。数据稀疏性是目前协同过滤面临的主要挑战之一。考虑到现实中用户在选择商品时,更倾向于用户朋友推荐的商品。那么用户间的信任关系就为推荐系统提供了有用的附加信息。而已有工作主要采用直接信任关系作为附加信息,对间接信任关系考虑得较少。针对这一情况,本文提出两种结合用户信任关系的推荐算法,具体如下。针对缓解数据稀疏的问题,提出了融合直接和间接的用户非对称信任关系的推荐算法(Asymmetric Trust Relationships Recommendation,ATRec)。算法首先通过构建一种信任传递机制,并利用该机制获得用户间的间接非对称信任关系。然后,根据直接和间接非对称信任关系获得每个用户的信任集合。最后,利用信任集合和最近邻的评分计算出商品的推荐概率,进而获得对用户的推荐列表。经过实验表明其引入信任关系能够缓解数据稀疏的问题,并且保证了精确率,但在召回率上的效果不是很好。针对ATRec算法召回率不足问题,对其进行改进提出了基于信任关系和矩阵分解的推荐算法(Asymmetric Trust Relationships and Probabilistic Matrix Factorization Recommen-dation,ATPMF)。算法首先通过矩阵分解得到两个因子矩阵,并利用最小交替二乘法得出其最优解。其次,根据最优解得到新的概率矩阵。接着,根据信任关系得到的信任集合来计算出商品的受欢迎概率。最后,结合两个概率来得到商品的推荐概率,进而获得对用户的推荐列表。在真实数据集上的实验结果进行对比得出,ATRec算法和ATPMF算法在一定程度上均缓解了数据稀疏性问题。ATRec算法比主流的推荐算法在精确率上有一定提高。但在召回率上仍然存在不足之处。其在推荐性能上有很好的表现。ATPMF算法不仅在精确率上有一定提高,而且还弥补了 ATRec算法在召回率上的不足。其在推荐性能上有更好的表现。
基于社交用户信任度和标注动机的标签推荐系统研究
这是一篇关于标签系统,社交网络,信任度,标注动机,兴趣模型的论文, 主要内容为近年来,科学技术日新月异,互联网进入Web2.0时代后,“信息爆炸”已经成为当今时代的主要特征,海量信息的涌现,为人们查询选择信息带来了诸多不便。基于此,垂直分类系统、搜索引擎、推荐系统等技术方法不断被科研人员提出并应用,用以解决我们所面临的信息爆炸难题。本文以推荐系统为研究对象,主要针对当前标签推荐系统在国内外研究及应用工作进行了阐述,分析了其面临的困难和不足。同时,本文对论文研究中涉及到的推荐算法技术、社交网络技术以及标签系统工作原理等基本基础工作,进行了简要的研究阐述。个性化推荐系统通过系统分析用户行为,构建用户模型,预测用户喜好进行资源推荐获得了良好的用户反馈。基于用户生成内容(User Generated Content,UGC)的标签系统通过标签的标注来反映用户的兴趣爱好,在用户与资源之间起到良好的媒介作用。然而,由于每个用户之间存在个体差异,导致了标签存在歧义、语义模糊等现象,同时,用户之间信任度衰减也导致了个性化推荐效果不佳的问题。本文结合国内外研究现状,对当前的标签系统、推荐系统以及其模型和算法等进行研究分析,着力于社交网络中用户信任和用户标注动机两点来构建完善个性化的标签推荐系统,通过构建用户信任集合和判别用户标注动机进行相关推荐算法的改进,最终设计了基于此算法的个性化推荐系统原型。本文的主要工作包括:①阐述了国内外对基于标签的推荐系统的研究和应用现状,研究了当前主要的推荐算法和标签系统的特点,分析了当前标签推荐系统面临的困难和不足。②为了解决当前社交网络中基于用户信任的Web服务推荐算法存在的覆盖率不足的问题,本文整合了当前有关直接信任、间接信任及群体信任度的研究思路,对相关的信任度计算方式进行了扩展研究。在此基础上,本文提出了一种新的组合信任度算法。③对标签推荐系统中用户标注动机进行了动机倾向性分类研究,并通过判断倾向性指标的量化研究,来完成用户动机倾向性的判断。在此基础上,通过构建基于艾宾浩斯遗忘函数的兴趣模型,完成了基于用户动机和兴趣模型二者结合的标签推荐算法改进。④通过基于用户信任和用户标注动机的推荐研究,设计了一个基于用户信任和标注动机的标签推荐系统原型,并主要就其功能模块进行了描述。
融合灰关联分析和信任度的Slope One算法研究
这是一篇关于协同过滤,均衡接近度,灰关联,Slope One算法,信任度的论文, 主要内容为推荐系统能够有效地过滤用户需求,减轻用户认知负担,为用户提供个性化的信息和服务。协同过滤推荐系统是目前推荐系统中应用最普遍、最受欢迎的一种推荐系统。本文研究的Slope One算法是一种简便、容易执行的基于项目的协同过滤算法。作为一种有效的协同过滤算法,Slope One算法被广泛地应用到一些推荐系统中。但该算法在预测评分时仅根据项目之间的评分差值以及用户的历史评分信息,未能考虑用户之间的潜在联系,而且数据稀疏性和冷启动问题也会限制算法的推荐性能。针对以上问题,本文主要研究工作如下:(1)引入均衡接近度灰关联方法。针对Slope One算法在评分预测时没有考虑用户之间的潜在关系,而以往的改善方法通常采用传统的相似度计算方法来度量用户相似性。但是在推荐系统的实际使用过程中,由于用户的历史交互项非常少导致数据集的稀疏性较大,传统的相似度方法容易受到个别异常点的影响,导致数据丢失和信息失真,在稀疏数据下推荐质量不高。本文提出引入均衡接近度灰关联方法来度量用户关系。通过计算用户之间的均衡接近度,度量用户整体的无差异性,不仅可以减弱局部点关联倾向,还能够充分利用点关联系数提供的丰富信息来考虑用户偏好问题,有效挖掘用户之间的潜在联系。实验结果证明,利用均衡接近度灰关联方法度量用户关联度,可以有效降低贫信息系统中稀疏性对算法的影响,提高算法推荐准确度。(2)引入用户信任模型。在推荐系统中,用户之间的推荐逐渐转变为从信任度较高的用户那里征询建议,信任成为推荐系统的关键影响要素。而且由于大量用户不断加入到系统中,用户的历史评分数据信息有限,导致了冷启动问题。因此,本文引入信任这一概念来有效缓解冷启动问题对Slope One算法的影响,提高算法推荐性能。通过整合用户相似度、用户评级准则以及信任的不对称性来计算直接信任;利用第三方将无法直接度量信任的用户联系起来,同时考虑到信任的传播特性和节点用户的声望得到间接信任。在之前改进的基础上,分别将均衡接近度和信任度作为权重因子加权到预测评分过程中,对不同用户提供差异化推荐服务。实验证明,引入综合信任度可以有效地提高算法预测准确度、缓解算法的冷启动问题。
辽宁省国土资源信息平台用户授权管理子系统的研究与实现
这是一篇关于RBAC,信任度,AOP,通用授权管理的论文, 主要内容为随着网络的发展,信息资源的逐渐丰富,信息安全成为日益突出的问题。信息安全服务包括保密性、身份验证、完整性、不可抵赖性、可用性和安全访问控制等方面,只有信息足够安全,用户才能够信任网络。因此,信息安全是软件系统设计开发要考虑的首要问题。完善国土资源监管部门的建设用地监管平台信息安全就成为首要任务。本文介绍了以辽宁省建设用地批后核查系统设计系统安全访问控制和授权管理相关需求为基础的通用授权管理子系统的研究开发过程。该子系统的研究与实现以RBAC(Role Based Access Control)为基础,主要是将基础的RBAC模型做了两方面的改进:基于信任度的细粒度RBAC访问控制和基于AOP(Aspect Oriented Programming)的细粒度RBAC访问控制。子系统主要包括安全访问控制服务和安全访问权限配置两个部分。安全访问权限配置为用户提供图形化的操作界面,满足辽宁省建设用地批后核查系统对权限配置的需求。安全访问控制服务主要提供系统管理、部门管理、用户管理、角色管理、权限管理、资源管理、授权管理和权限分配管理等子系统模块,为安全访问权限配置及其它子系统提供全套的权限相关服务。该通用授权管理子系统使用Oracle 11g数据库和 MyEclipse 作为开发平台,使用 Spring,Hibernate,Struts 和 Spring Security开发框架来支撑授权管理子系统,使用Java语言开发,实现系统对权限控制的需求。本文首先分析了 RBAC技术的研究现状以及实现通用授权管理子系统的关键技术,详细介绍了基于信任度和AOP的细粒度RBAC访问控制模型。介绍了辽宁省建设用地批后核查系统对通用授权管理子系统的功能需求以及如何在系统中应用基于信任度和AOP的细粒度RBAC访问控制模型。在系统设计部分,介绍了子系统的总体架构及功能模块,给出了数据库的设计。在系统的实现过程中,根据系统的模块划分,介绍各个模块和组成部分的具体实现。在系统的测试部分,给出通用授权管理子系统的测试,同时对测试结果进行说明。最后,对本文工作进行了总结,并对下一步工作进行展望。
基于社交用户信任度和标注动机的标签推荐系统研究
这是一篇关于标签系统,社交网络,信任度,标注动机,兴趣模型的论文, 主要内容为近年来,科学技术日新月异,互联网进入Web2.0时代后,“信息爆炸”已经成为当今时代的主要特征,海量信息的涌现,为人们查询选择信息带来了诸多不便。基于此,垂直分类系统、搜索引擎、推荐系统等技术方法不断被科研人员提出并应用,用以解决我们所面临的信息爆炸难题。本文以推荐系统为研究对象,主要针对当前标签推荐系统在国内外研究及应用工作进行了阐述,分析了其面临的困难和不足。同时,本文对论文研究中涉及到的推荐算法技术、社交网络技术以及标签系统工作原理等基本基础工作,进行了简要的研究阐述。个性化推荐系统通过系统分析用户行为,构建用户模型,预测用户喜好进行资源推荐获得了良好的用户反馈。基于用户生成内容(User Generated Content,UGC)的标签系统通过标签的标注来反映用户的兴趣爱好,在用户与资源之间起到良好的媒介作用。然而,由于每个用户之间存在个体差异,导致了标签存在歧义、语义模糊等现象,同时,用户之间信任度衰减也导致了个性化推荐效果不佳的问题。本文结合国内外研究现状,对当前的标签系统、推荐系统以及其模型和算法等进行研究分析,着力于社交网络中用户信任和用户标注动机两点来构建完善个性化的标签推荐系统,通过构建用户信任集合和判别用户标注动机进行相关推荐算法的改进,最终设计了基于此算法的个性化推荐系统原型。本文的主要工作包括:①阐述了国内外对基于标签的推荐系统的研究和应用现状,研究了当前主要的推荐算法和标签系统的特点,分析了当前标签推荐系统面临的困难和不足。②为了解决当前社交网络中基于用户信任的Web服务推荐算法存在的覆盖率不足的问题,本文整合了当前有关直接信任、间接信任及群体信任度的研究思路,对相关的信任度计算方式进行了扩展研究。在此基础上,本文提出了一种新的组合信任度算法。③对标签推荐系统中用户标注动机进行了动机倾向性分类研究,并通过判断倾向性指标的量化研究,来完成用户动机倾向性的判断。在此基础上,通过构建基于艾宾浩斯遗忘函数的兴趣模型,完成了基于用户动机和兴趣模型二者结合的标签推荐算法改进。④通过基于用户信任和用户标注动机的推荐研究,设计了一个基于用户信任和标注动机的标签推荐系统原型,并主要就其功能模块进行了描述。
融合社交信任关系的组推荐系统研究
这是一篇关于推荐系统,信任度,概率矩阵分解,特征交叉,偏好融合的论文, 主要内容为信息时代下的当今社会,随着科学技术的飞速发展,获取信息愈发简单,途径也越来越多。可随之而来的海量信息让用户越来越难以从中找到自己真正感兴趣的部分,这类“信息过载”问题开始逐渐困扰着人们。如此大势所趋之下,推荐系统应运而生。它为每个人量身制定偏好,帮助人们将海量的相关信息进行处理和分析,获得最为契合需求的信息,为用户提供个性化的推荐结果。传统的推荐系统大多只关注于单个用户的个性化推荐,然而随着网络及社交媒体的发展,以多个用户为单位的群组推荐的需求也越来越多。这就需要将传统的推荐系统从针对单个用户拓展为适用于以多用户为单位的群组。群组推荐系统一般包括两个部分:对单个用户的偏好拟合以及将组内用户的偏好进行群组融合以获得群组偏好。群组推荐目前在单个用户的偏好拟合方面,方式与传统推荐较为相似。在传统推荐系统中,概率矩阵分解算法在矩阵分解的基础上,加入了用户和项目特征向量的先验信息,假设用户潜在隐向量和项目潜在隐向量服从高斯分布,通过极大化它们的后验概率来获得更为准确的潜在隐向量;最近几年,深度学习也开始进入推荐系统领域,并以其优秀的表达能力和特征模式挖掘能力很快在领域中占据了一席之地。群组偏好融合一般可以分为两种类型,即偏好的融合和推荐结果的融合。偏好融合法是指通过获取小组内全部成员的偏好之后,将小组内全部成员的偏好整合为一个小组的偏好,利用这个小组内的偏好来进行推荐。推荐结果的融合方式是指通过获取一个组内全体成员的推荐结果,将他们的推荐结果按照某种策略综合为一个小组的推荐结果。以往的群组推荐算法中较少考虑到用户间的交互关系,使得社交关系信息的利用率较低,然而群组成员间的交互关系往往会对推荐结果产生较大影响。针对该问题,本文进行了如下研究:(1)提出融合用户信任度的概率矩阵分解组推荐系统。该方法首先利用概率矩阵分解算法利用用户信任度进行进行用户的相似度计算,然后改进概率矩阵分解的后验概率推导,加入用户间的信任度信息,极大化该后验概率以获得预测评分。最后在群组成员偏好融合过程中使用基于用户信任度的权重策略。基于Epinions数据集和Film Trust数据集上的实验表明,该方法在均方根误差和命中率这两项评估指标上优于Neu MF、Ripple Net等其他对比方法。(2)提出了基于深度学习方法的TFM模型,使用多层神经网络,在模型输入部分加入表示用户间信任数据的Multi-Hot向量。将用户隐特征向量分别与物品隐特征向量及信任向量进行拼接送入深度网络,使得用户特征与物品特征及信任特征进行充分交叉,在最后的模型输出层获得该物品的预测评分。在群组融合部分,使用基于用户信任度的权重策略。与Neu MF和MLP等对比方法相比具有更好的推荐效果。(3)设计实现了基于Java Web的组推荐推荐系统平台,在深度学习模型的基础上,通过实现平台内的用户社交系统获取用户彼此间的信任度,获得了比较好的推荐效果。
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：代码导航 ，原文地址：https://m.bishedaima.com/lunwen/47342.html
