面向SaaS多租户的动态推荐方法研究

发布时间：2017-11-03 02:19

  本文关键词：面向SaaS多租户的动态推荐方法研究

  更多相关文章： SaaS 多租户 动态推荐 数据稀疏 兴趣漂移

【摘要】：在当今的云计算时代中,基于互联网的Saa S软件交付模式备受推崇,尤其在中小企业群体中最为明显。正朝着信息网络化发展的企业,其个性化需求在软件服务领域的长尾市场中也日益突出,如何在种类繁多的资源中为企业群体提供所需服务已成为当下关注的焦点。在Saa S环境多租户模式下,多个用户可以租赁同一个服务,并且可依照实际需要对服务进行定制,既满足了租户的多样化需求,又充分发挥了服务的个性化特征。对于服务的推荐,可以利用动态推荐技术中应用最为广泛的协同过滤。虽然该技术在电商等领域上已经取得巨大成功,但同样面临两个典型的问题:数据稀疏和兴趣漂移。稀疏问题是由于推荐系统建立初期信息缺失或者运行过程中新信息获取不充分产生高维数据而引起的,而兴趣漂移则是由于兴趣爱好会因个人或者他人甚至环境的影响而发生变化。由于Saa S环境具有在线系统的动态性,其信息基础是变动的数据,稀疏和漂移情况会随时出现。这两个问题不仅相互影响,而且会影响系统推荐的精确度。本文针对这两个问题,将多租户的应用场景和个性化推荐技术进行结合,主要解决推荐方法中的数据稀疏和兴趣漂移问题。具体研究工作如下:1)稀疏数据处理与不精确问题之间的关系在Saa S环境下对租户进行服务推荐,探究推荐过程中的数据稀疏问题。有很多文献都将数据稀疏和冷启动分开研究,本文认为数据稀疏是由冷启动、新用户和新项目导致的。现有的解决方案主要有填充法或降维法,适用于数据较为单一的环境,而Saa S模式下的多租户服务平台环境较为复杂,传统方法使用受限。本文提出一种基于隐语义模型的协同推荐算法,归类Saa S软件服务中的异构关系,在矩阵分解的基础上利用LFM模型规则化单模关系、分解化双模关系,提取其中隐含的信息,从而扩充相关数据集,缓解协同过滤算法中由于数据稀疏带来的不精确问题。2)对兴趣漂移的处理兴趣变化的因素有很多,自身喜好、产品质量或者大众评价等,而现有解决方案的信息基础较为单一,兴趣模型的更新只是根据近期或者简单采取遗忘函数,这会导致过拟合而失去多样性。针对租户的可变兴趣,本文提出基于时间效应的兴趣进化策略,面向不同粒度的服务层次,将基础信息分为显式信息和隐式信息,并以此分别建模和更新。基于显式信息的兴趣进化算法以服务粒度为基础,将影响兴趣的不同因素与时间结合,建立TRSVD动态模型,通过评分值高低进行服务推荐,进而利用组合方法形成个性化服务集合;而基于隐式信息的兴趣进化算法以服务的可定制点粒度为基础,将租户的行为量化为对服务的评价,并分别进行短期和长期兴趣更新,然后利用遗传算法将小粒度定制点的推荐结果转化为个性化服务集合推荐。最后将两个结果集融合,得到最终预测的租户个性化服务。3)实验与测试由于多租户模式的特殊性,首先在Saa S相关平台进行数据收集和分类整理,然后分别测试两个算法。对基于隐语义模型中的单模和双模关系分别进行规则化和分解化处理,并探究数据稀疏程度与推荐精确度的关系;对基于时间效应的兴趣进化策略进行显式信息的兴趣更新和隐式信息的长短期兴趣更新,并融合这两种算法进行测试。最后对实验结果分析,对比各种算法的推荐精确率和召回率。通过以上几个方面的研究及其相关实验,本文提出的两种算法在一定程度上有效弥补了协同推荐的不足:基于隐语义模型的协同过滤算法,在稀疏数据情况下对算法的精确性有较大提高;而基于时间效应的兴趣进化策略则缓解了漂移问题,也提高了推荐结果的精确性。两者结合的效果更为明显,到达了本文的研究目的。
【关键词】：SaaS 多租户 动态推荐 数据稀疏 兴趣漂移
【学位授予单位】：辽宁大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP393.09;TP391.3
【目录】：

• 摘要4-6
• ABSTRACT6-12
• 第1章 绪论12-17
• 1.1 研究背景和意义12-13
• 1.2 国内外研究现状13-15
• 1.3 论文的主要内容15-16
• 1.4 论文结构16-17
• 第2章 相关研究工作概述17-31
• 2.1 SAAS与多租户技术17-22
• 2.1.1 SaaS软件服务17-18
• 2.1.2 SaaS的优势及成熟度模型18-21
• 2.1.3 多租户技术特点21-22
• 2.2 动态推荐算法研究进展22-27
• 2.2.1 用户建模方案22-23
• 2.2.2 个性化推荐技术23-25
• 2.2.3 推荐结果的评测指标25-27
• 2.3 协同过滤算法面临的挑战27-30
• 2.3.1 协同过滤技术概述27-28
• 2.3.2 数据稀疏性问题28-29
• 2.3.3 兴趣漂移问题29-30
• 2.4 本章小结30-31
• 第3章 一种基于隐语义模型的协同推荐算法31-43
• 3.1 SAAS服务推荐中问题描述与分析31-33
• 3.2 算法的设计思路33-35
• 3.3 算法的详细步骤35-41
• 3.4 基于隐语义模型推荐算法的实现41-42
• 3.5 本章小结42-43
• 第4章 基于时间效应的兴趣进化策略43-57
• 4.1 兴趣进化策略的设计思路43-44
• 4.2 兴趣更新算法详细步骤44-54
• 4.2.1 基于显式信息的兴趣进化算法44-47
• 4.2.2 基于隐式信息的兴趣进化算法47-50
• 4.2.3 基于时间效应的兴趣模型统一化处理50-54
• 4.3 基于时间效应的兴趣进化策略的实现54-56
• 4.4 本章小结56-57
• 第5章 实验与结果分析57-64
• 5.1 实验环境和测试要求57
• 5.1.1 实验环境57
• 5.1.2 测试要求57
• 5.2 实验和结果分析57-63
• 5.3 本章小结63-64
• 第6章 总结和展望64-66
• 6.1 工作总结64-65
• 6.2 展望65-66
• 致谢66-67
• 参考文献67-71
• 攻读学位期间发表的学术论文及参加科研情况71-72

【参考文献】

中国期刊全文数据库 前1条

1 余力,刘鲁,罗掌华;我国电子商务推荐策略的比较分析[J];系统工程理论与实践;2004年08期

，

本文编号：1134221