科技新闻推荐系统的设计与实现
这是一篇关于科技新闻推荐,模型-视图-控制器,数据清洗,语义网,信任网络的论文, 主要内容为信息技术与互联网技术的快速发展,对我们的日常生活有着显著的影响。人们获取信息的方式也层出不穷,网络浏览新闻已然成为我们获取各类资讯的重要方式。但是由于各个用户有着不同的需求,用户对信息的筛选收集已经变得较为困难,为了避免用户陷入垃圾信息狂潮的尴尬境地,面向用户的个性化推荐服务已经广泛应用于各大网站。正如个性化推荐在电子商务,远程教育等方面越来越广泛应用,把个性化推荐技术应用到新闻的推荐,已是大势所趋。目前个性化新闻推荐系统有着良好的发展空间,市场上提供新闻资讯的网站繁多,但是专门针对科技类资讯进行推荐的系统还较少。鉴于此,本文围绕科技新闻推荐系统进行设计和实现。首先指出课题开发背景和意义,分析个性化技术的发展和新闻推荐系统的研究现状;其次对系统的需求和体系架构功能进行分析和设计;接着采用MVC开发模式设计并实现系统,以瀑布流的形式呈现整个新闻页面,利用混合推荐的方式实现了推荐模块;其中通过网络爬虫的方法进行新闻数据的采集,利用数据清洗技术除去脏数据、保障新闻的内容;同时建立并更新了用户兴趣模型,采用基于语义网来改进推荐系统的本体过滤,利用信任网络解决系统中数据稀疏、冷启动问题,提高科技新闻推荐的准确性。经过初步测试,本系统各个模块功能已经实现,推荐效果达到预期设定的目标。
基于二部图的推荐算法研究
这是一篇关于推荐算法,二部图,资源分配,信任网络的论文, 主要内容为随着大数据时代的到来,信息过载问题变得越来越严重,推荐系统是用于解决信息过载的有效途径,它用来给用户推荐可能感兴趣的事务。推荐算法是推荐系统的核心,它用于处理输入信息并将其形成推荐信息。近年来,基于二部图的推荐算法受到了很多研究者的关注,本文通过分析二部图推荐算法的优劣势,对其进行改进,主要工作如下:1.针对传统二部图推荐算法所存在的初始资源设置不合理,以及仅仅依靠项目度和用户度来调整资源分配系数的问题,研究一种基于差异化资源分配的二部图推荐算法。首先利用评分规范化和最大最小值的方法对项目初始资源进行修正,在此基础上引用艾宾浩斯遗忘函数来量化用户“兴趣偏移”所带来的影响。然后分别利用用户评分相似性函数和用户偏好函数对两个阶段的分配系数进行差异化设置,使资源流转变得更加合理。最后在推荐系统经典的Movie Lens数据集和Netflix数据集中进行实验验证,结果表明新提出的算法在提高准确率和召回率的同时也改善了推荐的多样性。2.针对二部图推荐算法所存在的用户冷启动等问题,研究一种基于马尔可夫链信任网络的二部图推荐算法。首先将基于差异化资源分配的二部图推荐算法第一阶段资源分配过程中项目流向用户的资源值作为目标用户对其他用户的隐式信任值,并结合显式信任值得到直接信任值;然后把信任值的传递过程看成是马尔可夫链模型,利用马尔可夫链对直接信任值进行传播聚合,并结合小世界理论和信任熵设置迭代的终止条件;最后利用迭代后得到的全局信任值为目标用户生成推荐。在带有用户间信任关系的Epinions数据集中进行实验验证,结果表明新算法不仅提高了推荐的用户覆盖率,同时推荐的准确率也有了一定的提升。
一个基于信任网络的推荐系统研究与应用
这是一篇关于推荐系统,信任网络,协同过滤,新用户的论文, 主要内容为随着网络和通信技术的快速发展,全球范围内的信息化改变了人们的生活方式。互联网的出现,带我们走进了一个信息大爆炸的时代。面对大量的信息,人们往往也会感到无所适从,很难从中寻找出适合自己的信息,信息使用效率反而降低,这就是所谓的信息过载问题。推荐系统作为信息过滤的重要手段,是解决信息过载问题的有效方法。传统的协同过滤推荐系统和基于信任的推荐系统得到了广泛的应用,但在推荐的准确性、数据稀疏性和新用户问题上仍存在很多的不足,面临着许多挑战。现有的推荐系统仍然存在以下问题： ●数据稀疏性问题。传统的协同过滤方法通过计算用户之间的相似度来产生推荐,由于评分矩阵的稀疏性,导致了用户间相似度计算困难。同时传统的协同过滤方法只考虑用户的相似度,忽视了用户之间的社会关系。基于信任的方法使用信任值代替用户相似度计算,通过信任的传递从非直接邻居中在寻找最近邻,可能会找到一些口味不一致的用户,降低最近邻搜索的准确度,导致推荐正确度下降。 ●新用户问题。新用户是指刚加入推荐系统的用户,一般没有评价过对象或者评价信息很少,因此很难计算新用户与其他用户的相似度。同时,新用户在信任网络中往往是孤立的节点或者只有很少的信任关系,他们并不知道该信任哪些用户。因此不论是早期的基于内容的方法,还是基于协同过滤的方法和基于信任的方法,都无法很好的解决推荐系统中的新用户问题。 为了解决上述问题,在开放环境下给用户提供更有效的个性化推荐,更好的解决信息过载问题,本文对推荐系统的研究现状和已有研究结果进行了分析,结合信任网络和专家用户对推荐系统中的问题进行了相关的研究。本文的主要工作总结如下： ●提出了一个基于信任网络的推荐系统框架。本文对现有的推荐系统进行了分析,针对其中存在的数据稀疏性问题和新用户问题,通过引入信任网络和专家用户分别提出了信任值与相似度结合的混合推荐方法和基于专家用户的推荐方法来解决这两大问题,并在此基础上提出了一个基于信任网络的推荐系统框架。 ●提出了信任值与相似度结合的混合推荐方法。针对推荐系统存在的数据稀疏性问题,本文提出了一个综合信任值与相似度的混合推荐方法,通过引入用户相似度作为信任度的一个补充,综合考虑社会网络中的信任度和用户口味的相似度,可以更精确的找到目标用户的最近邻居集合,从而提高了最近邻搜索的准确度,改善了推荐系统的效果。 ●提出了基于专家用户的推荐方法。针对推荐系统存在的新用户问题,本文提出了一个基于专家用户的推荐方法,通过在信任网络中发掘出专家用户,然后利用这些专家用户来扩展新用户的信任网络,从而能够给新用户提供有效的推荐信息,在一定程度上解决了推荐系统中的新用户问题。 ●设计实现了Android平台手机软件推荐系统。基于本文的推荐系统模型,设计实现了一个Android平台手机软件推荐系统,系统可以有效的给用户个性化的推荐手机软件,初步验证了本文的推荐方法的可行性。
结合动态信任的推荐系统研究
这是一篇关于信任网络,推荐系统,动态信任,信任增强的论文, 主要内容为互联网的发展使在线社交网络越来越引起人们的重视。利用在线社交网络的多种应用中,推荐系统占有举足轻重的地位,多种在线社交应用都利用推荐系统算法进行用户群的扩充和个性化的推荐,用户对推荐结果的接受程度也影响着推荐算法的性能。信任作为一种主观的概念,在社交网络的参与者进行决策的过程中担任着十分重要的角色,同时,其主观性使得信任的间接传递和映射问题变得十分值得探讨。因此,相较于其他在决策过程中需要考虑的因素,信任更加被相关的研究者所重视。然而,在目前的信任推荐系统中,一些信任传播过程的关键性的问题还有待于研究,这使得一些信任模型并不能给出参与者准确且优质的推荐信息。在信任推荐系统的发展过程中,许多学者都针对此问题提出了不同的信任映射和传播方法,构建了不同的信任传播模型。他们希望利用提出的模型进行更加个性化的推测,从而使参与者得到更加精准的信任推荐结果。本文考虑用户间信任变化过程及信任的动态性,提出了一种结合强化学习的用户信任增强方法,该方法可以应用于结合信任的推荐系统中。结合信任的推荐系统是以社交网络为基础的一种重要推荐系统应用,其结合用户之间的信任关系对用户进行项目推荐,以求得更加准确、更符合用户偏好的推荐结果。但之前的研究一般假定用户之间的信任值固定,无法对用户信任及偏好的动态变化做出及时响应,进而影响推荐效果。实际上,用户接受推荐后,当实际评价高于心理预期时,体验用户对推荐者的信任将增加,反之则下降。文章使用最小均方误差算法研究评价差值对用户信任的动态影响,利用强化学习方法Deep Q-Learning模拟推荐者在推荐过程中学习用户偏好进而提升信任值的过程,并且提出了一个多项式级别的算法来计算信任值和推荐,可激励推荐者学习用户的偏好,并使用户对推荐者的信任始终保持在较高程度。实验表明,该方法可快速响应用户偏好的动态变化,当其应用于推荐系统时,相较于其他方法,可为用户提供更及时、更准确的推荐结果。
基于用户上下文与交互行为的社会化推荐系统研究
这是一篇关于社会化推荐系统,上下文,交互行为,信任网络,特征选择,因子分解机的论文, 主要内容为社会化推荐系统是为了缓解传统推荐系统的数据稀疏性与冷启动问题所提出的推荐方法。随着社交平台的流行,用户的社会化信息蕴藏着丰富的挖掘价值,因此,将用户的社会化信息作为输入的社会化推荐系统受到广泛关注。社会化推荐系统的主要业务流程包括构建用户信任网络和生成推荐两部分。完善的信任网络可以全面地反映用户间的关系并且可以有效缓解数据稀疏和冷启动问题。本文提出了“基于用户交互行为的信任网络构建模型”(简称SocPro),该模型通过用户间的交互行为以及信任传播机制预测用户的全局信任度;通过引入时间衰退因子,结合用户间的直接交互行为和用户间相似度,得到用户间的直接交互信任度和相似信任度,从而构建有向带权信任网络。本模型克服了“基于用户行为的信任网络构建模型”(简称SocTrust)在预测用户信任关系时,只考虑用户间是否存在信任关系而忽略了信任传播影响以及在预测时将用户的所有历史信息同等看待的缺点。本文通过矩阵分解中基于贪婪的特征选择算法选择具有良好交互作用的特征,从而避免因子分解机在隐特征向量学习过程中引入新的噪音并达到提高预测精度的作用,克服了传统因子分解机在考虑特征交互作用时组合了一些无意义的交互特征的缺陷。本文最后利用实验验证了SocPro模型的合理性,并与SocTrust进行对比。信任预测实验表明,SocPro具有更好的信任预测能力;推荐生成实验表明,本文所提出的推荐生成模型在推荐精度上较传统因子分解机、矩阵分解等具有更好的表现。
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：毕业设计驿站 ，原文地址：https://m.bishedaima.com/lunwen/49190.html
