CASIA OpenIR  > 毕业生  > 硕士学位论文
社会化推荐系统关键技术研究
其他题名Personalized Recommendation Based on Social Networks
严强
学位类型工程硕士
导师杨青
2013-05-28
学位授予单位中国科学院大学
学位授予地点中国科学院自动化研究所
学位专业计算机应用技术
关键词推荐系统 社交网络 社会化过滤 用户建模 排序学习 Recommender System Social Networks Social Filtering User Modeling Learning To Rank
摘要个性化推荐系统(Personalized Recommender System)是近年来兴起的热门研究领域,它是一种有效解决信息过载问题的工具。虽然研究人员提出了很多相关的方法来推进推荐系统研究,但是个性化推荐技术依然面临很多挑战,如评分预测准确度、数据稀疏性、冷启动等问题。而另一方面,新近兴起的在线社交网络(Online Social Networks)提供了大量的用户行为数据和关系数据,如何有效的利用这些社交网络数据提升传统推荐算法的精度,以及解决新用户冷启动问题是本文关注的重点。 本文针对社会化推荐系统中的评分预测问题和Top-N推荐问题进行深入研究,主要工作和贡献包括以下几个方面: 1) 针对现有的社会化推荐算法通用性和可扩展性差等问题,在现有的基于矩阵分解的社会化推荐算法和Factorization Machine(FM)模型的基础上,本文提出一种运用特征工程方法,将各种社交网络信息融入到传统矩阵分解模型中。同时还提出一种基于特征组交叉的方法(FM-GI)改进传统的FM模型。在真实数据集上的实验结果表明:在评分预测问题上,该方法能有效的提升评分预测的精度,减少计算复杂度,并且能部分解决新用户冷启动问题。 2) 推荐系统的最终目标是给用户提供一个排序的推荐列表,本文提出一种基于排序学习(Learning to Rank;LTR)的方法来融合基于社交网络信息和传统协同过滤的混合推荐算法LTR-HCF,该方法能有效的将各种社交网络信息和传统的基于邻域的协同过滤算法集成,并且具有很好的可扩展性,实验结果表明:在Top-N推荐中,和先前的方法相比,该方法在有效的提升推荐精度的同时,能部分解决新用户冷启动问题。
其他摘要In recent years, recommender systems have been proposed as a key tool to overcome information overload, and many algorithms and systems have been developed. Despite all these efforts, recommender systems still face many challenges—such as improving prediction accuracy, data sparsity, and cold-start issues. On the other hand, the recent emergence of online social networks provide us with an unprecedented large amount of information regarding user behavior and friend interactions. This paper focus on how to improve traditional recommender system effectively with social network information. In this dissertation we investigate the rating prediction task and Top-N recommendation task in social recommendation by utilizing information in social networks. The main work and contribution of this dissertation are listed as follows: 1) For the problem of generality and scalability in existing social recommendation algorithms,based on the matrix factorized social recommendation and Factorization machine, we proposed a feature engineering method to incorporate social network information into FM model, and we also proposed a novel model, named FM-GI, to improve FM model. Experiment result on real dataset shows that this model could achieve higher accuracy , lower computational complexity in rating prediction problem. 2) The final mission of recommender system is to provide a ranked item lists to user. We propose a learning to rank based hybrid model, called LTR-HCF to ensemble social network information and traditional collaborative filtering model. This model has better generality and scalability than the state-of-art social recommendation algorithms. Experiment result shows that LTR-HCF can make more accurate ranking prediction in Top-N recommendation, and also solve cold start user problem partially.
馆藏号XWLW1926
其他标识符2010e8014669003
语种中文
文献类型学位论文
条目标识符http://ir.ia.ac.cn/handle/173211/7665
专题毕业生_硕士学位论文
推荐引用方式
GB/T 7714
严强. 社会化推荐系统关键技术研究[D]. 中国科学院自动化研究所. 中国科学院大学,2013.
条目包含的文件
文件名称/大小 文献类型 版本类型 开放类型 使用许可
CASIA_2010e801466900(1466KB) 暂不开放CC BY-NC-SA请求全文
个性服务
推荐该条目
保存到收藏夹
查看访问统计
导出为Endnote文件
谷歌学术
谷歌学术中相似的文章
[严强]的文章
百度学术
百度学术中相似的文章
[严强]的文章
必应学术
必应学术中相似的文章
[严强]的文章
相关权益政策
暂无数据
收藏/分享
所有评论 (0)
暂无评论
 

除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。