计算机论文哪里有？本文设计的基于社交网络的商品融合推荐算法从用户的好友关系挖掘用户兴趣，因为不依赖于用户的行为数据，所以不太可能会存在冷启动问题。第五章中提出的商品互补性研究用于发现用户需求，对稀疏性数据也能很好地处理。所以，本文提出的基于多算法融合的商品共同推荐系统可以一定程度上解决数据稀疏和“冷启动”问题。
第一章 绪论
1.2.2 商品推荐技术研究现状
商品推荐技术研究给网络服务的转变打开了一扇门，它有效地解决了信息超量负荷带来的信息过载问题，利用用户的偏好设置自动地向用户推荐符合其兴趣特点的对象，以主动、信息化方式实现用户服务。据报道显示，2020 年中旬，推荐系统给亚马逊带来 35%的收入，其中 Youtube 主页上由推荐服务带来的浏览量占总浏览量的 60%[21]。目前，个性化推荐系统被广泛地应用于社交平台、电商、新闻、音乐电台、生活服务等互联网平台，从长远来看，个性化推荐系统具有强大的市场前景。
关于商品推荐的衍生应用研究，主要涉及的领域还有很多：
新闻推荐系统:文献[22]将推荐系统应用在新闻推荐领域，并将结果进行展示。电子商务推荐系统:文献[23]利用软硬件结合的方式，设计了一个智能性电子商务推荐系统打破传统的电子商务系统的设计方式，取得了更好的推荐结果。
电影推荐系统：文献[24]融合电影的多种属性为用户进行电影推荐，并验证了该方法在准确率、召回率和 MAE 上优于传统的协同过滤推荐算法。音乐推荐系统：文献[25]将推荐系统应用于音乐推荐，提出了一种针对个性化音乐的Apriori 改进算法，对用户进行个性化音乐推荐方式。
地理推荐系统：文献[26]构建了一个旅游景点标签系统，通过计算游客与景点标签、旅游景点与景点标签之间的关系，构建用户-兴趣模型。然后根据用户-兴趣模型，预测用户对待推荐新景点的兴趣程度，最后生成旅游景点推荐集，促进旅游业发展。
第三章 基于多算法融合的商品推荐系统总体设计
3.1 系统的设计目标和功能
本论文所设计的多算法融合的商品共同推荐系统，主要是实现一个基于社交网络的商品融合推荐系统，可以主动学习获得用户的兴趣点，对用户进行个性化商品推荐，为本人参与开发的一个校企合作项目，构建一个可以主动结合用户的兴趣进行精确推荐的网上购物平台。为不同的用户提供他们感兴趣的商品，既可以提升用户对平台的依赖，给平台带来可观的收入，也可以让用户买到自己想要的商品。
本商品推荐系统主要包括以下几个模块：用户管理模块、推荐功能模块、角色控制模块等，这些模块共同组成了电商平台的总体架构。以下图 3.1 是我设计的用户与商品推荐系统之间的业务流程。
第五章 基于社交网络的商品融合推荐算法
5.1 需求描述和整体实现
传统的推荐方法忽略了用户的好友关系对用户喜好的影响，在日常生活中，人们在面对抉择犹豫不决的时候，通常会求助自己的好友或者家人，用户也会经常推荐一些自己觉得好用的商品给好友们。可以说，好友之间会互相作用，相互影响。尤其，随着网络和社交平台的快速发展，用户之间很容易就能建立社交关系。在社交关系中，用户之间可以建立良好的信任关系和不信任关系，建立起信任关系的用户之间提供了计算用户偏好的信息，有助于构建商品推荐系统。
文献[67]考虑到用户信任关系中的不对称性，将用户共同评分作为信任因子，将用户之间的信任关系具体到评分数值化，最后将信任因子和评分数值融合进行相似度计算，实验证明了在数据量较小的情况下，提高了推荐的精确度。但是在实际的电商平台应用中，数据量巨大，使用这种方式会给服务器造成巨大的压力，这种方法并不适用于数据量庞大的电商平台。文献[68]将用户体验作为评价推荐质量的一个关键因素，构建了一个 web 信息推荐评价模型。该模型由三个因素组成：顾客对商品的所有反馈、顾客与商品的直接关联分析以及顾客的所有交易反馈。此外，应用粒子群优化算法求解信息推荐评价模型中各因素的最优权重，计算出信息推荐的评价结果，为合理处理信息推荐提供决策依据。该模型提高了用户对网络平台上信息推荐的满意度，但是却忽略了在实际应用场景中缺少有效的用户信息的问题，在系统运行过程中只有极少部分的用户会进行反馈。因为掌握的用户数据过少不能进行有效准确的推荐，导致了推荐结果的不准确。
5.2 社交网络中邻居集生成
社交推荐方法主要针对社交媒体领域。这种方法可以通过利用包括友谊、团体成员和粉丝在内的社会关系来提高用户的满意度和兴趣。主要目标是通过向用户展示最相关和最有吸引力的物品来解决社会信息问题。本小节主要从目标用户出发找出目标用户的邻居集进行推荐。
5.2.1 社交信任和社交网络结构
信任是一种复杂的网络关系，社交网络关系以信任为基础。信任是在客观环境中，受主观意识控制的判断结果，利用用户间的信任关系可以获取隐式信息。文献[69]考虑节点之间动态的信任关系，设计了感知推荐系统作为应用实例，验证了该信任网络是一个小世界网络：节点高度聚集，而随机选择的两个节点之间的距离较短。信任具有以下的特点：
（1）信任可以量化，可以用数值大小定义。
（2）信任本身是动态变化的，它依赖于主观意识活动，随着社交环境动态变化。
（3）信任还具有传递性，若用户 A 和用户 B 之间存在信任关系，用户 B 和用户 C 之间存在信任关系，根据信任的传递性，用户 A 和用户 C 之间也存在信任关系，具体是谁信任谁不能确定。用Credibility(A,B) 0,Credibility(A,C) 0 Credibility(B,C) 0 来表示。
（4）信任是相互独立的且有向的。如果用户 A 信任用户 B，并不意味着用户 B 也信任用户 A，两个用户之间存在信任关系并不能确定是单向信任还是双向信任。
（5）由于用户之间的交集在现实生活中及其复杂，所以信任关系也是错综复杂的。本章节计算邻居集时只考虑一对多或一对一的情况。
第七章 总结与展望
7.2 展望
商品推荐的研究具有很深远的现实意义且还有很多可以探索和完善的方面，未来可以从以下几个方面继续下一步的研究：
（1）推荐算法的可扩展性
在一些基于模型的推荐算法中，结合了很多复杂的模型，融合很多其他的算法形成的大规模的数据集，使得推荐算法的时间复杂度和空间复杂度增加，不利于推荐方法的可扩展性。
（2）推荐系统的评价指标
推荐系统的评价指标很多，如何定论还有待研究。推荐算法在某些指标上表现好，在某些指标上表现不好，因此很难综合判断这个算法的好坏。如何设计一个评价指标能够综合地评价推荐算法的表现是一个巨大的挑战。（3）商品和用户的其他属性有待挖掘
本文在总体上采用了商品和用户共同推荐的方式进行推荐，在考虑商品的特性时着重考虑了商品的属性特征和权重值，但是实际应用中，影响到推荐结果的商品属性不仅仅是这些，例如商品的使用周期性。目标用户可能存在短期时间内购买过该类商品的情况，那么可以推荐该目标用户短期内不会再购买，但是这类商品又是目标用户固定会购买的生活必需品。如何在推荐中结合这些特性，还需要进一步的研究发现。
（4）信息过滤适用场景需要更新
本文采取对所有商品信息进行过滤的方式，信息过滤的方式也同样适用于用户数据，尤其是在社交网络这样的数据背景之下，其次可以减少信息过滤的次数，提高推荐系统的效率。
参考文献（略）
