面向覆盖率的推荐算法研究

发布时间：2023-10-18 20:13

　　Web2.0时代下,网络技术的发展使得信息生产大众化,网络信息量呈爆发式增长,用户从海量信息中寻找有价值的信息所需要付出的代价也越来越高。面对这样的信息过载问题,推荐系统作为一种信息过滤工具被研究人员提出,并逐渐演变成为一门学科,受到学术界和工业界的关注和研究。如今,对推荐系统的研究更多的是面向推荐的准确率指标,但仅仅提高算法的准确率,并不会造成用户对推荐结果的满意度提升,反而会引起用户兴趣同质化现象,流行物品出现在大量用户的推荐列表中,大量长尾物品无法被推荐算法挖掘出来。推荐算法研究中已经出现许多的评价指标来衡量一个推荐算法的好坏。其中,覆盖率指标刻画了推荐系统挖掘长尾物品的能力,对商家来说,该指标意义重大。该指标的提升能够避免推荐范围的局限性,用户可以选择的物品更丰富。因此,对研究人员和业界商家来说,面向覆盖率的推荐算法研究有着重大实际意义和研究意义。为了将更多的长尾物品推荐给合适的用户,本文对传统推荐算法进行了一系列研究,其中考虑添加邻居用户惩罚项、抑制流行物品传播等改进方式,用以提高长尾物品的曝光度。还采用了以校准用户兴趣比例为目的的重排序方法,从而避免用户兴趣越来越狭隘。本文...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 国内外研究现状
        1.2.1 面向准确性的推荐算法
        1.2.2 面向多样性的推荐算法
    1.3 本文的主要贡献与创新
    1.4 本论文的结构安排
第二章 推荐系统相关知识概述
    2.1 个性化推荐系统的应用场景
    2.2 推荐算法的几大挑战
        2.2.1 冷启动问题
        2.2.2 数据稀疏性问题
        2.2.3 热门物品偏向问题
        2.2.4 用户兴趣漂移问题
    2.3 常用的推荐算法
        2.3.1 协同过滤推荐算法
        2.3.2 基于内容的推荐算法
        2.3.3 基于网络结构的推荐算法
    2.4 推荐算法评价指标介绍
        2.4.1 准确性指标
        2.4.2 覆盖率指标
        2.4.3 多样性指标
    2.5 实验数据集介绍
    2.6 本章小结
第三章 推荐算法的改进方法
    3.1 相关研究工作
    3.2 基于用户的协同过滤算法的直接改进
        3.2.1 算法分析与改进
        3.2.2 算法性能评测
    3.3 基于物品的协同过滤算法的直接改进
        3.3.1 算法分析与改进
        3.3.2 算法性能评测
    3.4 基于二部图的物质扩散算法的直接改进
        3.4.1 算法分析与改进
        3.4.2 算法性能评测
    3.5 本章小结
第四章 推荐算法的重排序方法
    4.1 相关工作介绍
    4.2 基于校准思想的重排序方法
        4.2.1 校准概念
        4.2.2 重排序策略
        4.2.3 聚类算法介绍
    4.3 算法性能评测
        4.3.1 协同过滤算法重排序
        4.3.2 物质扩散算法重排序
    4.4 本章小结
第五章 全文总结与展望
    5.1 全文总结
    5.2 后续工作展望
致谢
参考文献



本文编号：3855120