基于用户信任和位置偏好的餐厅推荐算法研究
这是一篇关于协同过滤,餐厅推荐,数据稀疏,位置偏好,信任关系的论文, 主要内容为随着互联网进入Web2.0时代,O2O电子商务快速兴起并渗入到人们生活服务的方方面面,在为用户带来方便的同时,也为商家创造了利润,餐饮领域就是其中重要的一部分。然而,网络用户数量的持续增加,导致O2O网站产生了严重的信息过载问题。推荐系统作为一种解决该问题的有效手段得以广泛应用。本文对O2O餐厅领域的个性化推荐进行了研究,主要工作内容如下:1.针对传统的餐厅推荐系统中存在用户—餐厅评分数据稀疏性问题,本文提出了一种基于条件概率填充的协同过滤推荐算法pfUCF。该算法首先从用户评价过的餐厅中选取与待评价餐厅的平均评分相同的所有餐厅,并计算用户对这些餐厅评15分的统计概率;然后,选取最大概率值对应的评分作为用户对待评价餐厅的预测评分,并填充到用户—餐厅评分矩阵中;最后在填充完成的评分矩阵上应用协同过滤算法进行餐厅推荐。实验证明,pfUCF算法可以降低评分数据的稀疏性,提高餐厅推荐精度。2.针对传统的协同过滤餐厅推荐算法中未考虑用户就餐选择受上下文因素影响的问题,本文提出了一种基于用户位置偏好的餐厅推荐算法ULPRR。该算法首先根据用户的历史评价数据,为每个用户构建位置特征向量模型,并利用该模型计算用户位置偏好相似度;然后将用户的位置偏好相似度、兴趣相似度以及对用户评分向量部分填充后计算的评分相似度相结合;最后,将结合后的用户相似度应用到协同过滤算法中进行餐厅推荐。实验证明,ULPRR算法可以有效提高餐厅推荐效果。3.针对传统的协同过滤餐厅推荐算法中未考虑用户就餐选择受到其潜在信任朋友影响的问题,本文提出了一种基于用户信任关系的餐厅推荐算法UTRR。该算法首先为每个用户构建全局信任度,对具有显式信任关系的用户之间划分信任程度,对不存在显式信任关系的用户,挖掘其隐式信任关系;然后,基于改进后的信任矩阵,采用社会化推荐算法预测用户对餐厅的评分;最后,将该评分与矩阵分解模型预测的评分相结合,产生最终的预测推荐结果。实验证明,相比于传统的基于信任的推荐算法,UTRR算法具有明显的优越性,提高了餐厅推荐质量。
基于信任关系的推荐算法研究
这是一篇关于推荐系统,信任关系,协同过滤,概率矩阵分解的论文, 主要内容为互联网数据的指数增长使人们进入了信息过载的时代。推荐系统能从海量信息中为用户筛选出相对有用且可靠的信息,从而成为缓解这一问题的有效方法。为了改善传统的推荐算法,研究者们尝试将社交网络中的信任关系引入其中,发现这种基于信任关系的推荐算法不仅能提供更准确的推荐,而且能使推荐系统变得更稳固。本文的研究工作就是针对上述基于信任关系的推荐算法展开的。论文首先将基于信任关系的推荐算法和基于用户的协同过滤推荐算法相结合,提出了一种基于专家动态生成的协同过滤推荐算法—DGECF。该算法首先通过计算用户之间的交叉性、信任性以及趋同性三项指标值和专家因子值动态地为每个用户挖掘出特定的专家数据集;然后将用户与所挖掘专家数据集之间的评分相似度和信任值相结合,并作为新的相似度;最后预测评分。在Film Trust和Epinions数据集上的实验结果表明,本文提出的算法精确率得到了明显的提升。在上述基础上,论文将概率矩阵分解技术引入DGECF,提出了一种基于信任关系的概率矩阵分解推荐算法—TRPMF。该算法首先通过DGECF计算用户之间的信任值,对信任关系矩阵中的未知信任值进行初次填充;接着利用DGECF预测评分,对用户-项目评分矩阵中的未知评分值进行初次填充;最后结合信任关系矩阵、用户-项目评分矩阵和概率矩阵分解模型进行预测评分。在Film Trust和Epinions数据集上的实验结果表明,本文提出的改进算法有效缓解了数据稀疏性问题,提高了推荐的精确率。论文最后将所提出的推荐算法应用到实际开发项目中,设计并实现了一个简单的电影推荐系统和对应的后台管理系统。
基于信任模型的协同过滤推荐方法研究
这是一篇关于信任关系,协同过滤,矩阵分解,专家用户的论文, 主要内容为随着互联网服务的快速发展和在线社交网络的迅速崛起,给互联网用户带来了极大的便利,但是产生的网络服务呈指数式增长,信息过载导致互联网用户无法快速获取想要的内容,给我们上网所带来的巨大影响。因此,如何在海量的网路数据中迅速并且高效的找到用户想要的内容已成为当今学者重要的研究内容之一。推荐系统作为缓解当前信息爆炸问题的重要手段,能够为用户提供有效的信息,目前传统的推荐算法多以协同过滤方法为主,协同过滤推荐方法基于用户历史行为和项目属性信息,为用户实现个性化推荐,具有良好的可适用性和独立性,但原始数据稀疏性和用户冷启动问题的存在,对推荐系统精度造成严重影响,无法为用户准确提供个性化推荐,除此之外,对于冷启动用户来说,由于自身评分数据较少,协同过滤也很难为其提供精准推荐。现有研究表明,融合信任信息在一定程度上可以缓解数据稀疏和冷启动的问题,将信任信息与协同过滤推荐算法结合能够获得良好的推荐效果,在现有的融合信任关系的协同过滤的推荐算法中,多以显式信任和正向信任来筛选信任朋友集合,但是用户信任矩阵也是很稀疏的,仅仅考虑显式信任和正向信任关系依然很难缓解信任矩阵稀疏的问题,信任关系用户覆盖率低,因此,本文考虑融合隐式信任信息和不信任信息来缓解原始数据稀疏的影响,另外,对于用户冷启动的问题,引入专家信任用户作为推荐近邻,缓解用户冷启动问题,针对以上问题分析,本文进行了以下两个方面的研究:(1)针对传统协同过滤推荐算法面临的数据稀疏问题,本文融合用户间的信任关系来缓解原始数据稀疏的问题;对于信任矩阵稀疏的问题,通过用户对项目评分的数据信息,来挖掘用户间的隐式信任关系,利用用户间的隐式信任关系来取代传统协同过滤推荐算法中的相似度关系,有效缓解了原始信任信息稀疏性的问题;除了考虑用户间正向信任关系,还融合了用户间的不信任关系,加入不信任用户对预测评分的影响,使评分预测更为客观精准。最后,对基于显性信任与不信任关系的矩阵分解算法进行改进,融合隐式信任与不信任关系,消除不信任用户对目标用户评分预测的消极影响,为用户进行个性化推荐。在数据集Epinions上进行实验,结果表明评分预测精准度提升1.8%-6.1%左右,可以有效改善协同过滤模型的推荐效果,验证本文算法的有效性。(2)考虑到普通用户对专家用户的信任因素,专家用户的推荐往往更为让用户所信服,基于此,引入专家用户信任因素。从用户评分态度和用户的受信任程度来明确专家用户的选择原则;对于预测评分的精准度,除了考虑用户自身偏好外,还考虑信任用户对目标用户潜在特征向量的影响,加入用户间的信任度来对目标用户的潜在特征向量进行调整,另外,结合专家用户对评分的影响,调整专家用户和用户自身偏好对预测评分影响的比重来提高最终评分预测的精度。在Bias-SVD算法上改进,融合专家信任用户对评分影响和信任用户对目标用户潜在特征向量的影响来进行评分预测。在数据集Flim Trust和Ciao上进行算法性能评估和冷启动用户实验评估,实验结果表明,本算法冷启动用户评分预测效果提升1.5%-13%,验证本文算法对缓解冷启动用户问题上具有良好的效果。
基于深度强化学习融合社交网络信息的推荐系统
这是一篇关于推荐系统,深度强化学习,注意力机制,社交网络信息,信任关系,相似关系的论文, 主要内容为作为最有效的信息过滤系统之一,推荐系统在这信息过载的时代发挥着极大的作用。大量关于个性化推荐的技术被提出,然而这些技术中依旧存在以下两个局限:(1)认为推荐过程是静态的,忽略了推荐系统中的动态特性的影响;(2)数据稀疏性的问题依旧存在。为了缓解以上两个问题,本文中分别提出了两个推荐模型:基于深度强化学习的推荐模型Recommendation System based on Deep Reinforcement Learning and Attention Mechanism(DRA)以及融合了推荐模型DRA和社交网络信息的推荐模型DRA+。推荐模型DRA。将用户与推荐系统的交互过程视为顺序决策过程,并将深度强化学习模型DDPG作为基础模型。考虑到推荐系统中强化学习的定义,利用PMF的方法预训练生成内容向量来构成模型的输入。同时,通过显式地结合用户向量和内容向量来更合理地表达用户状态。此外,利用用户状态中内容的位置信息和各位置的内容与动作的相似性设计了注意力机制来进一步挖掘用户的兴趣变化。最后在三个公开的数据集MovieLens(100k)、MovieLens(1M)和Jester(2)上进行了充分的实验,证明了推荐模型DRA确实能够通过深入挖掘用户兴趣变化来提高推荐性能。推荐模型DRA+。在推荐模型DRA的基础上,融入了社交网络信息来缓解由于数据稀疏带给推荐系统的影响。从社交网络信息中提取得到信息主要有两种:信任关系和相似关系。为了能够充分利用这两种信息,再分别将其划分为两部分,即显式和隐式信任关系以及全局和局部相似关系。然后,本文提出了一种自适应调节权重的方法,该方法能够更好的模拟用户的选择倾向。最后在两个实验数据集FilmTrust和CiaoDVD上进行了充分的实验,推荐模型DRA+展现了最佳的效果,证明了通过利用社交网络信息能够缓解数据稀疏性为推荐性能带来的影响。
融合信任关系的个性化推荐算法研究与优化
这是一篇关于信息过载,信任关系,个性化推荐系统,TrustSVD,张量分解,上下文特征的论文, 主要内容为随着网络资源和数字信息的指数型增长,互联网时代普遍存在信息过载(Information overload)问题,面对冗余繁杂的网络信息,如何从中提取有用的知识成为互联网用户面对的主要问题。个性化推荐系统(Personalized Recommendation System)是解决信息过载问题的有效手段。传统推荐算法通常利用用户-物品交互数据构建模型,而忽略用户和物品其他属性特征对推荐系统的影响。然而随着用户需求的提高,仅靠用户-物品交互信息难以构建准确度更高的推荐系统,因此社交网络(Social network)信息的利用引起了学者的重视,而且基于信任关系(Trust relationship)的社交推荐系统(Social Recommendation System)具有更高的可解释性。本文主要研究信任关系对个性化推荐系统的影响。针对目前社交推荐系统中用户信任关系和用户兴趣相似度(Similarity)不对等以及传统基于信任关系的社交推荐算法推荐精度不高的问题,本文围绕信任关系对现有社交推荐算法进行改进,并通过实验对提出的两种方法进行有效性评估:(1)针对用户之间显式信任关系并不能代表其兴趣相似性的问题,本文提出一种融合显式和隐式信任关系的社交推荐算法-WeightTrustSVD算法。首先根据用户-物品和物品-用户的两个偏好有向网络结构图,构建用户-用户的有向网络结构图,挖掘用户隐式信任关系,然后以加权方式融合在TrustSVD模型中,实现一种融合显式和隐式信任关系的社交推荐算法。(2)为了充分利用已知信息,进一步提高社交推荐系统的性能,本文提出一种融合信任关系和时间上下文特征的偏置张量分解(bias Tensor Factorization,biasTF)推荐算法--biasTrustTF算法,在偏置张量分解算法的基础上加入用户信任关系,并借鉴TrustSVD算法中对用户信任特征的处理方式,通过融合用户信任关系重构用户特征向量,然后结合时间上下文特征,利用biasTF模型进行学习建模,实现融合信任关系和时间上下文特征的偏置张量分解社交推荐算法。本文在推荐领域常用的公开数据集上进行实验对比与分析,结果显示,本文提出WeightTrustSVD算法和biasTrustTF算法均表现出较好的效果,推荐准确性优于其他对比算法。
基于信息熵和信任关系的托攻击检测算法研究
这是一篇关于托攻击,无监督检测,推荐系统,信息熵,信任关系的论文, 主要内容为计算机和网络技术的迅速发展,使得人们接收到的信息量大幅度增加,甚至出现了“信息过载”问题。个性化推荐系统通过对用户留下的评分、评论等历史数据进行分析,获知用户兴趣偏好,根据偏好为用户提供精准推荐,在解决“信息过载”问题上表现出较好的性能。然而一些不法攻击者会针对性的对某些产品评最高或最低分,从而改变目标项目被系统推荐的优先级。这种攻击行为被称为托攻击(Shilling attack)。随着推荐系统的不断推广和发展,托攻击的检测近年来引起了学界的关注,并已成为当前推荐系统领域的研究热点之一。本文从评分相似度和社交关系两方面入手,分析现有算法存在的问题,结合信息熵和社交信任关系,提出了基于信息熵和信任关系的托攻击检测算法,提升了托攻击检测的准确性。本文所做的主要工作如下。(1)基于无监督学习的托攻击检测无需大量标记数据,不过度依赖于特征指标和训练集,面对未知类型的托攻击也能进行有效检测。在深入研究个人评分信息熵的无监督托攻击检测方法的基础上,本文提出了一种基于信息熵相似度的无监督托攻击检测算法。该方法在比较个人与总体评分之间的差距后,将其信息熵融合到个人与总体相似度计算中,并利用该相似度进行托攻击检测。实验证明在缺乏有关攻击模式信息的情况下,该算法仍能有效探测常见托攻击,具有较高的无监督程度和普适性。(2)在社交信任关系方面,大部分基于社交网络的推荐算法仅利用了用户好友之间的二值化信任关系,而忽略了间接信任关系带来的影响。本文提出了一种综合考虑用户之间信任关系的融合信任模型,该模型在直接信任关系的基础上,融合了间接信任关系。用户间即使没有直接信任关系,但存在至少一条可达路径,建立间接信任关系,解决了直接信任关系存在的稀疏性问题。同时该融合信任模型在增强了攻击者的影响广度的同时,减少了攻击者对与其存在直接信任关系用户的影响强度,避免与攻击者存在直接信任关系的用户直接被判定为攻击者。(3)本文在同时考虑基于信息熵的无监督托攻击检测算法和间接信任关系的前提下,利用了推荐系统中融合信息熵相似度与信任关系的评分预测,并对其进行改进,从而获得了一种融合信息熵相似度与间接信任关系的托攻击检测算法。该算法对疑似攻击者进行可疑度评估,选取可疑度最高的若干项,最终得到托攻击者。本文共有图12幅,表11个,参考文献73篇。
基于用户特征和信任度的推荐算法研究与实现
这是一篇关于推荐系统,协同过滤,时间因素,兴趣偏好,信任关系,User-CT算法的论文, 主要内容为信息量随着互联网的急剧发展呈爆炸式增长,导致用户在面对大量信息时很难从中获取真正有用的信息,推荐系统的出现在很大程度上解决了信息过载问题。协同过滤推荐算法凭借其出色的推荐质量,在推荐领域中广泛应用。协同过滤推荐算法通过分析用户的历史行为挖掘用户的喜好,找到与目标用户志趣相投的用户群体,综合他们的评价,预测目标用户对指定物品的评分。在真实环境中,随着用户和物品数量的急速增加,冷启动、数据稀疏性以及时效性等问题逐渐暴露出来,严重影响了协同过滤推荐算法的推荐质量。针对上述问题,本文对协同过滤推荐算法展开深入研究,提出了基于用户特征和信任度的推荐算法,简称User-CT算法。本文主要研究内容如下:1、针对用户评分尺度不同和评分矩阵稀疏而造成的相似度计算结果准确性低的问题,对用户的主观评分进行归一化处理;建立用户动态兴趣偏好模型,从用户的高评分中进一步挖掘用户的真实喜好,并且考虑时间因素,可以保证推荐的时效性。2、传统的协同过滤推荐算法通过用户间共同评分项目度量用户间的相似度,忽略了不存在共同评分项目的用户间的潜在关系,而这恰恰对推荐结果也有着至关重要的影响,所以建立用户信任关系模型,挖掘不存在共同评分用户间的关系。在改进的用户相似度基础上融合用户信任度,可以使得预测评分更加准确,数据稀疏性问题也有所缓解。3、传统的协同过滤推荐算法中仅仅依赖用户历史行为进行推荐,忽略了用户本身的属性特征,而用户的属性特征与用户的喜好也有一定的关系,所以引入用户人口统计属性特征预测评分,一定程度上解决了用户冷启动问题。4、将User-CT与传统的协同过滤推荐算法在MovieLens数据集上进行对比实验,实验结果表明本文提出的算法较传统的协同过滤推荐算法在推荐准确度和性能上有更好的表现,并结合实验对加权参数的选取给出了一些建议。5、以User-CT算法为核心,使用SSM框架和Bootstrap框架设计并实现了一个完整的美食推荐系统。
基于概率矩阵分解的推荐算法研究
这是一篇关于概率矩阵分解,推荐算法,商品流行度,时间间隔权重,信任关系的论文, 主要内容为个性化推荐系统的出现为电子商务网站带来了更好的发展契机,与此同时,随着网络技术的快速发展,顾客和商家越来越追求较高的推荐质量。因此,推荐算法得到了广泛的研究。本文对概率矩阵分解算法进行了研究,分别从用户和商品两个方面结合SVD算法和聚类模型等方法对其进行改进,主要工作如下:1.提出了一种基于信任关系的概率矩阵分解推荐算法。首先,通过加入商品流行度和时间间隔权重因素对初始评分矩阵进行预处理。然后,基于新的评分矩阵,利用一种改进的相似度计算公式求得用户间相似度,再结合用户在社交关系中的影响力,得到信任矩阵。最后,将信任矩阵加入到概率矩阵分解算法的目标函数中,挖掘出用户和商品的潜在特征向量,以此来预测缺失评分,建立了一个基于信任关系的概率矩阵分解推荐算法。利用Epinions数据集和MovieLens数据集进行了试验,结果表明,本文提出的算法能够有效地提高推荐准确度。2.提出了一种基于商品间关系的概率矩阵分解算法。算法挖掘出商品间存在的相似关系,包括由评分矩阵得出的相似关系、商品标签间的相似关系以及商品类别间的相似关系,并将其结合到概率矩阵分解算法目标函数中,通过增加目标函数的限制条件,优化得出商品间潜在向量,从而进行缺失评分预测。实验表明,考虑商品间关系能够减小推荐误差,改进后的算法能够提高推荐准确度。
基于密度峰值聚类和降噪自编码的推荐算法研究
这是一篇关于降噪自编码,词向量,用户偏好,半监督密度峰值聚类,信任关系的论文, 主要内容为随着网络用户的急剧增加,人们的生活方式、信息传播方式已经完全改变,人们面临信息过载问题,个性化推荐是解决该问题的有效方法之一。个性化推荐系统的核心是推荐算法,目前常用的协同过滤推荐算法虽然具有其的自身优势,但仍然存在着一些问题,如数据稀疏性问题和冷启动问题等,由此导致了推荐算法的性能、准确度等问题。因此,本文针对传统协同过滤推荐算法存在的问题从多个角度对算法进行改进,具体的改进方法归纳为以下几点:(1)项目隐特征的提取。为更好的分析项目之间的关联关系,将用户-项目评分矩阵作为CBOW词向量模型的训练语料,通过词向量模型训练得到词向量矩阵,并利用降噪自编码网络DAE对项目进行隐特征提取,得到基于项目关联性的隐特征矩阵。(2)用户隐特征的提取。为更精确的提取用户的隐特征,根据用户个人偏好形成用户偏好矩阵,并利用降噪自编码网络DAE对用户进行隐特征提取,得到用户基于个人偏好的隐特征矩阵。根据项目隐特征和用户隐特征构建基于降噪自编码的词向量和个人偏好推荐算法WP-DAE。(3)密度峰值聚类的改进。为了使数据服从真实数据的分布,在密度峰值聚类算法的基础上加入约束对的监督信息。计算用户-项目评分矩阵相似度,根据相似度值进行用户兴趣度聚类,同时提高算法的在线推荐效率。(4)信任度计算的改进。首先在传统的信任度计算上引入信任因子,用以区分不同用户之间的信任度。由于不是所有用户之间都存在直接信任关系,因此加入间接信任度值,以提高对目标用户的精确匹配。根据兴趣度和信任度构建基于信任度值计算与兴趣度的半监督密度峰值聚类的推荐算法IT-SDPC。本文通过利用公开的数据集进行实验,选用常用的评价指标MAE和RMSE对本文提出的方法进行评价,结果表明本文所提的方法可以有效的提高推荐结果的准确度。
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：毕业设计客栈 ，原文地址：https://m.bishedaima.com/lunwen/48232.html
