论文部分内容阅读
随着信息技术和社交网络的飞速发展,满足社交网络用户日益增长的个性化需求成为了人们亟待解决的问题。因此,对社交网络中个性化推荐服务的研究具有十分重要的理论和现实意义。本文基于西安某软件公司与美国某互联网公司的合作项目,以社交网络为基础,研究了经典的社区发现算法、个性化推荐技术以及信任评估方法,提出了一种基于社交网络的个性化推荐算法。最后,通过实验验证了本文算法的性能。本文工作主要表现在以下几个方面:1.分析和总结了社交网络的特点及其理论基础,介绍了社会网络研究中常用的几种社区发现算法,并分析研究了各社区发现方法的优缺点。基于现实生活中“明星”和“粉丝”的现象提出了一种改进的社区发现算法。2.介绍了几种常用的个性化推荐技术,包括信息检索技术、关联规则技术、基于内容的推荐技术以及协同过滤推荐技术。重点研究了基于用户的协同过滤推荐和基于项目的协同过滤推荐。3.基于社交网络的特性和传统的协同过滤算法的不足,本文提出了一种基于社交网络的协同过滤推荐算法。该算法利用改进的社区发现算法进行相同用户兴趣聚类,快速选取候选邻居集,减少了系统的推荐时间,同时,模拟社会网络中人与人之间的信任评估方法来计算用户间的信任度,进一步选取最近邻居集。最后,通过用户间信任度对用户未评分项进行评分预测,产生推荐,弥补了传统的协同过滤推荐过程中过度强调相似性的不足。4.本文通过电影社交网站Flixster提供的API获取用户数据作为实验数据集,将传统的基于Pearson相关系数的协同过滤推荐算法和本文的基于社交网络的协同过滤推荐算法进行对比。实验结果表明,本文算法在推荐准确度和推荐速度上均优于传统的协同过滤推荐算法。