论文部分内容阅读
移动互联网的发展带来了“信息过载”问题,推荐系统作为缓解“信息过载”的有效手段,在移动领域得到了广泛的关注。在以用户为主的服务中,利用推荐方法主动向移动用户提供个性化的服务变得必不可少。协同过滤推荐方法是移动推荐的主要方法之一并被广泛应用,其基本思想是利用与当前用户相似的其他用户的偏好进行预测推荐。由于社会化网络中用户之间的相互影响,关系用户之间的偏好趋于相似,用户的社会化关系被融入推荐方法中以提高推荐性能。本文针对融合移动用户社会化关系协同过滤推荐方法中存在的一些关键问题进行了研究,主要贡献如下:(1)提出一种融合项目特征及移动用户信任关系的协同过滤推荐方法。传统基于用户的协同过滤推荐方法,利用与当前用户相似用户的偏好来预测当前用户对未评价项目的偏好。用户相似关系通常基于用户之间共同评价的项目来计算用户之间的偏好相似关系,并没有考虑用户在非共同评价项目上的偏好对用户相似关系的影响。特别当用户评分稀疏时,用户之间共同评价项目的数量会减少,在少量的共同评价项目上不能准确反映用户之间的偏好相似关系。针对此问题,本文使用推土机距离方法来计算移动用户之间的偏好相似关系。推土机距离方法考虑了移动用户在共同评价项目上的偏好,同时利用项目之间的相似关系融合移动用户在相似项目上的偏好来计算移动用户之间的相似度。利用项目之间的相似关系,提出融合相似用户在相似项目的偏好进行偏好预测。为缓解数据稀疏性的影响,提出融合信任用户和相似用户的偏好来进行预测。实验结果表明,协同过滤推荐方法中融合相似项目来计算移动用户之间的相似度、融合相似用户在相似项目上的偏好及融合信任用户进行偏好预测能提高协同过滤推荐方法的预测和推荐准确度。(2)提出一种融合移动用户信任关系的协同过滤推荐方法。由于信任用户之间的社会影响,融入用户信任关系的协同过滤推荐方法能提高推荐的准确性,而信任用户之间的社会影响计算是否准确将直接影响推荐系统的性能。基于用户在共同评价项目上的偏好相似关系来计算信任用户之间的社会影响,用户之间的偏好相似关系是对称的,而信任用户之间的社会影响并不对称,因此基于共同评价项目上的偏好相似性并不能准确计算信任用户之间的社会影响。针对此问题,本文基于信息扩散机制和移动用户信任之间的社会影响来选择移动用户之间存在影响的项目。同时为了缓解数据稀疏性的影响,利用信任用户之间的相互影响预测移动用户对未评价项目的隐式偏好,融合移动用户的隐式偏好来选择信任用户之间存在影响的项目。基于选择的影响项目计算信任用户之间的社会影响。并在公开数据集上对本文的方法进行了实验验证,实验结果表明,本文提出的融合移动用户信任关系的协同过滤推荐方法能获得更好的预测准确度。(3)提出融合移动用户相似关系和信任关系的混合推荐方法。传统协同过滤推荐方法利用相似用户的偏好进行偏好预测,而融合移动用户信任关系的协同过滤推荐方法,则利用信任用户之间的相互影响进行偏好预测。移动用户相似关系和移动用户信任关系都有利于提高协同过滤推荐方法的性能,但在推荐时通常忽略其中一种关系。为进一步提高协同过滤推荐的性能,基于移动用户相似关系和移动用户信任关系,本文提出了四种混合推荐方法:基于特征扩展的混合方法、基于级联的混合方法、基于元层次的混合方法及元层次混合和级联混合的融合方法。在数据集上进行了推荐性能验证,基于公开数据集的实验结果表明融合移动用户的相似关系及信任关系的协同过滤推荐方法能提高其推荐的性能。(4)提出一种融合移动用户组关系的组推荐方法。目前组推荐可以分为聚合模型方法和聚合预测方法,主要步骤包括:预测和聚合。利用推荐方法预测组中成员的个人偏好,再使用聚合策略将组中成员偏好聚合成组偏好并进行推荐;或使用聚合策略将组中成员聚合成组偏好,再基于组偏好利用推荐方法针对组用户进行推荐。聚合模型方法使用聚合后的组用户偏好进行偏好预测及推荐,容易造成组成员偏好信息的损失;而聚合预测方法在偏好预测时忽略了组关系对用户偏好的影响。针对组推荐方法存在的问题,提出一种基于矩阵分解技术的融合组推荐方法,将移动用户组关系融合到矩阵分解模型中,利用移动用户组关系及组成员用户偏好学习组用户的偏好。同时考虑组成员用户对组用户偏好的不同影响,将组成员权重融入矩阵分解方法中。实验结果表明,本文的方法与聚合模型和聚合预测组推荐方法相比,能向移动用户提供更准确的组推荐。