论文部分内容阅读
随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息爆炸的时代。但是，面对海量的信息，从中找到自己感兴趣的信息是一件非常困难的事情，因此出现了“信息过载”的现象。所以，为了解决信息过载的问题，已经有无数科学家和工程师提出了解决方案，而推荐系统是目前最有效的工具之一。推荐系统是一种帮助用户快速发现有用信息的工具，它对大量的信息进行过滤，并向用户推荐其感兴趣的项目。推荐系统的主要作用是通过分析大量用户行为日志，给不同用户提供不同的个性化推荐，来提供网站的点击率和转化率。广泛利用推荐系统的领域包括电子商务、电影和视频、音乐、社交网站、个性化邮件和广告等。针对个性化推荐系统中的新用户冷启动问题，本文提出了一种基于隐性社交网络的链接预测算法，并把该算法应用到推荐系统，提高推荐结果的用户满意度。并以论文在线推荐系统为研究背景，设计了基于社交网络的论文推荐算法，并把算法应用到学者社交网站的实际数据上，实现了一个论文推荐系统。并做了离线评测和在线实验，结果证明基于社交网络的推荐算法提高了用户满意度。主要工作如下:
1)提出了一种基于隐性社交网络的链接预测算法。本文提出的算法思想为:用论文关键词来表示研究人员，两个研究人员间共同的关键词越多，那么他们在研究兴趣上越相似;且他们共同合著的次数越多，他们越相关。因此，不仅使用两个研究人员的名字的共现信息，而且考虑了关键词权值向量之间的余弦相似度来衡量研究人员间的相似度。最后从挖掘出的研究人员社交网络中得到与用户最相似的研究人员列表。
2)把基于隐性社交网络的链接预测算法应用到推荐系统，用以解决个性化推荐系统的用户冷启动问题。为此，本文设计了基于研究人员的隐性社交网络的论文推荐算法，并把算法应用到学者网的用户和论文实际数据上，该方法可以提高推荐系统的推荐准确性和用户满意度。
3)将推荐系统应用到好友和论文推荐的个性化服务中，完成推荐系统在社交网站数据上的实际应用。在本论文中，完成了用户行为记录模块、隐性社交网络挖掘模块、以及好友和论文推荐模块。我们在学者网的用户和论文数据集上对推荐系统进行了离线评测和在线实验。实验结果表明社交网络数据的使用提高了用户对推荐结果的满意度，对个性化推荐的方法研究将有着积极的理论意义。