基于社交網(wǎng)絡(luò)和隱私保護(hù)的協(xié)同過濾推薦算法研究.pdf

1、當(dāng)前互聯(lián)網(wǎng)發(fā)展日新月異，伴隨著各種互聯(lián)網(wǎng)應(yīng)用不斷推出，網(wǎng)絡(luò)應(yīng)用數(shù)據(jù)也爆發(fā)式增長。面對如此海量的數(shù)據(jù)信息，用戶已經(jīng)無法直接的獲取其所需要的有效信息。針對這種信息過載的問題，科研工作者提出了許多的解決方案。這其中具有代表性的且實(shí)現(xiàn)效果較好方案的就是推薦系統(tǒng)。盡管目前在推薦系統(tǒng)領(lǐng)域的研究成效顯著，但是仍然還有一些難題等待解決，比如面對海量數(shù)據(jù)的處理問題、系統(tǒng)的冷啟動問題、推薦效果的準(zhǔn)確性問題等。另一方面，推薦系統(tǒng)的運(yùn)行，需要盡可能的收集用戶的

2、信息及行為數(shù)據(jù)等，而且由于一些網(wǎng)絡(luò)應(yīng)用存在著漏洞導(dǎo)致用戶數(shù)據(jù)泄露的事件也時有發(fā)生，因此如何有效保護(hù)用戶隱私數(shù)據(jù)的安全也成為當(dāng)前的一個研究熱點(diǎn)。
　　本文首先在系統(tǒng)闡述推薦系統(tǒng)的研究背景、基本原則及研究熱點(diǎn)的基礎(chǔ)上，歸納總結(jié)了當(dāng)前常用的推薦模型及算法的實(shí)現(xiàn)方式及其優(yōu)缺點(diǎn)。然后，本文以與社交網(wǎng)絡(luò)分析相結(jié)合提高推薦系統(tǒng)準(zhǔn)確度以及在推薦系統(tǒng)中用戶隱私保護(hù)為主要研究點(diǎn)，提出了本文相應(yīng)的解決方案，其中具體的研究內(nèi)容有：
　?。?）基于社

3、交網(wǎng)絡(luò)用戶信息分析，提出了一種基于社交網(wǎng)絡(luò)的用戶相似度評分算法，算法通過建立用戶信任度模型，充分利用社交網(wǎng)絡(luò)用戶個人興趣信息，用戶關(guān)系數(shù)據(jù)。另外對于數(shù)據(jù)稀疏的情況，采用了相似度的傳遞算法，有效緩解數(shù)據(jù)稀疏的問題，確定目標(biāo)用戶的最臨近鄰居集合，從而根據(jù)公式計(jì)算得到社交網(wǎng)絡(luò)的用戶相似度預(yù)測評分；然后針對基于模型的協(xié)同過濾算法空間復(fù)雜度較高，使用了一種改進(jìn)的協(xié)同過濾算法，算法利用潛語義模型求解“用戶特征-項(xiàng)目”評分矩陣，對求解的矩陣信息及用戶

4、特征信息采用線性加權(quán)的方式預(yù)測出用戶特征評分；最后對于用戶對項(xiàng)目的最終評分的預(yù)測計(jì)算，采用一種融合上述用戶相似度評分及用戶特征評分的學(xué)習(xí)算法。該算法利用用戶相似度評分、特征評分、社交網(wǎng)絡(luò)信息、用戶特征數(shù)量等作為訓(xùn)練特征，以用戶實(shí)際評分為標(biāo)注信息，利用Fisher線性判別為訓(xùn)練模型預(yù)測用戶對項(xiàng)目的最終評分。最終實(shí)驗(yàn)證明本算法取得較高的準(zhǔn)確度。
　?。?）考慮社交網(wǎng)絡(luò)用戶隱私保護(hù)的問題，提出一種基于項(xiàng)目特征相似度的協(xié)同過濾推薦算法。算