[01572368]面向个性化推荐服务的社交网络数据深挖掘关键技术研究

项目以提高推荐性能、增强用户体验度为主要研究目标,利用在线社交网络中丰富的信息源,结合多学科理论知识与计算机技术手段,为解决个性化服务问题提供一套科学、客观的定量分析方法,主要从以下几个方面开展工作： 1)提出基于多社交数据源的协同推荐方法。协同过滤推荐作为一种有效的推荐方法,普遍存在数据稀疏性和冷启动问题,利用社交网络的多项数据源对协同推荐方法进行了改进。为了克服评分矩阵的稀疏性问题,提出结合用户评分相似度和用户信任度选择推荐邻居,同时对用户相似度计算进行了改进;提出了一种简单有效的信任推理方法,能够识别出用户间隐含的间接信任关系,进一步缓解了数据稀疏性问题;为了解决推荐系统的冷启动问题,提出综合利用项目的类型属性信息和领域专家信息进行联合推荐。实验结果表明,提出的改进策略非常有效,在精度和召回率方面都较已有方法具有明显改善。 2)提出基于多元社交信任的个性化推荐方法。协同过滤推荐是当前最成功的个性化推荐技术之一,但是传统的协同过滤推荐算法普遍存在推荐性能低和抗攻击能力弱的问题. 针对以上问题,提出了一种基于多元化社交信任的协同过滤推荐算法。首先,借鉴社会心理学中的信任产生原理,提出基于不同信任要素（可信度、可靠度、亲密度、自我意识导向）的信任度计算方法;然后,深入研究社交网络环境中各信任要素的识别、提取和量化方法;最后,基于用户间的综合信任度选取可信邻居,完成对目标用户的个性化推荐。基于通用测试数据集的实验研究结果表明,该算法不但可以极大地提高推荐系统的精确度和召回率,而且表现出良好的抗攻击能力。 3)针对社交网络分析中涉及到的自然语言处理问题,对词汇语义相关性度量方法进行深入地分析与总结,以期为项目研究奠定理论基础。首先介绍了词汇语义相关性的定义和研究意义;然后对国内外具有代表性词汇语义相关性度量方法进行了分类研究,重点介绍了这些度量方法的理论基础、采用的关键技术及其应用领域;最后对一些典型的词汇语义相关性度量方法进行了比较与总结,并指出词汇语义相关性度量的现有研究成果和可能的发展方向。