融合信任网络的协同过滤推荐算法

论文摘要

推荐能有效帮助用户在海量信息中寻找最感兴趣的内容，是解决互联网信息过载的主要途径之一，已被广泛应用于新闻、图书、电影和音乐等信息与产品的推荐中。尽管已经存在多种推荐方法，然而建造出更加智能、更加鲁棒的推荐系统仍面临诸多未被解决的理论和技术难题。在此背景下，本文对推荐方法展开研究，在全面分析和总结现有工作的基础上，提出了新的推荐算法。本文的主要工作和创新之处概括如下：（1）全面综述了推荐系统和推荐算法的研究现状，深入分析了各类推荐算法的基本原理，关键技术，优势与不足，概括了主要的相似度计算方法与评分预测方法，总结了主要的评价指标及推荐研究面临的主要问题。（2）提出了两种新的相似度计算方法。协同过滤是最常用的一种推荐方法，而相似度计算方法是协同过滤的核心。现有相似度方法未能充分考虑用户对项目评分值的含义，在相似度计算中忽略了用户对项目喜欢或厌恶的态度与程度两个重要方面。针对该问题，本文分别提出了基于态度一致的相似度计算方法ACS(attitude consistent similarity)和基于有限步随机游走的相似度计算方法LRWS(limited radom walk similarity)。在Epinions数据集上的实验结果表明：ACS相似度在综合考虑平均绝对误差(MAE)、均方根误差(RMSE)等主要评价指标下优于现有主要方法。在MovieLens数据集上的实验结果表明：LRWS相似度计算方法在MAE、RMSE等主要评价指标下都优于现有主要方法。（3）提出了一种新的融合用户信任网络和评分数据的推荐算法FTRA(fusion trustnetwork and rating data algorithm)。评分数据稀疏问题会显著降低协同过滤推荐的准确性。除了用户评分数据外，网络上还存在其它可为推荐过程所用的数据源，其中较为常见的一种是描述用户相互信任关系的信任网络数据。针对评分数据稀疏问题，本文将信任网络数据作为评分数据的重要补充，基于图论中的相关概念和方法、本文在第三章中提出的用户相似度方法和用于计算链接相似性的Katz方法，提出了能有机融合这两方面数据的FTRA算法，较好的解决了协同过滤推荐所面临的用户评分数据稀疏问题。在Epinions数据集上的实验结果表明：与仅使用用户评分数据的协同过滤算法、仅使用用户信任关系的推荐算法和现有的同时使用两种数据的推荐方法相比，FTRA算法在平均绝对误差(MAE)、均方根误差(RMSE)、查全率(Recall)等主要评价指标下的性能都优于或者显著优于对比算法。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 推荐系统的研究意义
• 1.2 本文的主要工作和组织
• 第2章 推荐系统研究现状
• 2.1 推荐系统的应用
• 2.2 主要的推荐方法
• 2.2.1 基于记忆的推荐算法
• 2.2.2 基于模型的推荐算法
• 2.2.3 基于内容的推荐算法
• 2.2.4 基于图结构的推荐算法
• 2.2.5 混合推荐算法
• 2.2.6 其它推荐算法
• 2.3 相似度计算方法
• 2.3.1 基于共同评分项目相似度计算方法
• 2.3.2 基于图结构的相似度计算方法
• 2.4 评分估计方法
• 2.5 推荐系统评价准则
• 2.5.1 平均绝对误差
• 2.5.2 均方根误差
• 2.5.3 查全率
• 2.5.4 查准率
• 2.6 问题及分析
• 2.6.1 稀疏性问题
• 2.6.2 可扩展性问题
• 2.6.3 特征提取问题
• 2.6.4 其它问题
• 第3章 基于共同评分项目的相似度方法
• 3.1 研究背景
• 3.2 相似度计算方法
• 3.2.1 协同过滤及其常采用的相似度计算方法
• 3.2.2 基于态度一致性的相似度方法（ACS）
• 3.2.3 基于有限步随机游走的相似度方法（LRWA）
• 3.3 实验
• 3.3.1 实验数据集及评价指标
• 3.3.2 实验结果及分析
• 3.4 小结
• 第4章 融合信任网络和评分数据的推荐算法
• 4.1 研究背景
• 4.2 相关工作分析
• 4.3 算法思想及描述
• 4.4 实验
• 4.4.1 实验数据集及评价指标
• 4.4.2 实验对比算法
• 4.4.3 实验结果及分析
• 4.5 小结
• 第5章 总结和展望
• 5.1 工作总结
• 5.2 工作展望
• 参考文献
• 作者简介及在学期间所取得的科研成果
• 致谢