论文部分内容阅读
近年来互联网技术不断发展,人们已经从信息匮乏的时代迈入大数据的时代。尤其是随着社会网络技术的发展,当用户在互联网上选择服务时,更信任和依赖自己的好友。然而面对海量信息的涌现,人们的社会网络关系日益复杂,用户往往无法仅靠自己的浏览和查找发现社会网络关系中反映的潜在兴趣。如何实现社会网络关系的有效利用,并结合用户的个人信息进行信息推荐,成为推荐系统发展的一个难题。为解决传统推荐系统中的冷启动、数据稀疏性等问题,研究人员开始利用社会化推荐的方法为用户提供服务,但是面对不断变化的用户需求和日益复杂的推荐任务,社会化推荐系统也需要融入更多数据和算法才能更好的提供推荐服务。本文在现有的概率矩阵分解理论的基础上,根据用户行为和兴趣随时间演化的特点,提出一种基于时序模型和矩阵分解的推荐算法,然后结合社会化推荐方法的优势,构建一个基于时序模型的社会化推荐算法,并根据此算法设计和实现了一个社会化推荐系统原型。本文的主要工作包括:(1)分析了推荐系统的和社会化推荐的研究背景和研究现状,根据当前的主要推荐算法的特点和不足,提出了本文研究的主要内容和创新点,阐述了文本研究的问题和意义。(2)研究时序模型和概率矩阵分解的相关技术,分析社会化推荐的理论基础和主要技术,对基于协同过滤、矩阵分解、概率模型的社会化推荐技术分别进行了阐述。在此基础上,利用用户历史行为数据分析用户兴趣的漂移,提出一种基于时序模型和矩阵分解的推荐算法,描述了算法框架和实现过程,分析算法的时间复杂度,并在真实阿里音乐数据集上通过对比实验分析评估算法的性能。(3)在上述算法的基础上,利用社会正则化的方式进行改进,推导出社会化概率矩阵分解的模型公式,提出一种基于时序模型的社会化推荐算法,将此算法在豆瓣电影和社会网络数据集上与其他社会化推荐算法进行对比,分析了此算法的表现。(4)通过对基于时序模型的社会化推荐算法的研究分析,设计并实现了一个基于时序模型的社会化推荐原型系统,对系统的总体框架和主要功能模块进行了详细描述。