论文部分内容阅读
随着互联网技术的飞速发展,人们在网上购买产品变得越来越便捷,越来越多的网民加入到网购的大军中。在这个背景下,为了让用户更加快捷、准确选到自己中意的产品,个性化推荐系统就显得尤为重要了。然而,传统的个性化推荐方法,如基于用户或者项目的协同推荐算法,并不显示用户的兴趣模型,而是通过相似度对比,以此为依据来进行推荐,这也使得推荐的效果并不突出。鉴于个性化推荐系统低下的推荐效率,社会化推荐系统成为学术界研究的重点和难点之一。社会推荐系统是建立在用户之间的社会关系的基础上的,并以此构建用户之间的社会关系网络。对于一个新的用户,只要在已知的关系网络中,存在一个或多个用户与之有间接或直接的联系,该新用户就可以加入到该网络中,并根据已知的用户兴趣模型,对该新用户进行推荐。事实证明,随着人的社会化属性加深,社会推荐系统的推荐能力会更加强大。本文利用Agent模型来研究社会推荐系统,研究的内容和目标为：(1)基于Agent模型构建社会网络。社会推荐系统是建立在社会网络上来展开的。所以在研究社会推荐系统时,首先要初始化一个社会网络。由于Agent具有独立性跟封装性,因此可以将社会属性和参数封装到Agent之中,然后将单个Agent作为网络中的一个结点,构建基于Agent的社会网络模型。在这一部分中,主要有两部分的工作：Agent模型的设计和构建社会网络。在本文中,根据消费市场的特征,主要设计了两类Agent,即生产者Agent和消费者Agent,以及它们的建模过程和内在联系。在此基础之上,利用Agent的动态性和独立性,初始化一个社会网络模型。(2)在基于Agent的社会网络模型的基础上,利用协同过滤算法的原理,构建基于Agent的社会推荐系统。针对当前推荐系统主要集中在推荐算法的优化,单纯优化推荐响应时间,而忽略推荐的个性化程度,或单纯优化了推荐效率,却缺乏普遍性等问题,本文通过Agent模型来研究社会推荐系统,利用Agent的强大的分布计算能力,并设计了TopX算法和Threshold阈值算法,寻找出该网络模型中的相似度最高的群体,以该群体的共同特征来进行推荐。最终的实验结果验证了该研究思路的可行性。