基于网络关系特征的混合推荐算法研究

发布时间：2017-10-11 10:27

  本文关键词：基于网络关系特征的混合推荐算法研究

  更多相关文章： 推荐系统 关系特征 复杂网络

【摘要】：随着计算能力和存储能力的提升,我们正在进入DT时代。数据量爆炸式增长,寻找内容的代价不断提升,由此人们陷入严重的信息过载中。推荐系统作为解决信息过载问题的一种重要形式,近年得到了快速的发展。尤其在电商领域,推荐应用场景更加广泛,推荐系统可以为商户解决长尾商品的营销问题,同时也可以为用户提供符合偏好的个性化推荐,提升用户体验。推荐系统在电商的发展过程中起到了重要作用。传统的协同过滤算法固然是很成熟的推荐算法。首先协同过滤是性价比很高的推荐算法,它需要最少的领域知识就可以建立模型而且无需复杂的特征工程。它体现的是集体智慧的思想。其次,它能在一定程度上解决未交互商品的推荐问题。在内容特征不足但用户行为数据丰富的情况下更能凸显其优势。但是协同过滤也面临着一些瓶颈。首先是冷启动的问题。当新User、Item出现时由于缺乏必要的行为数据,会严重损害推荐系统的性能。其次,它无法解决行为数据稀疏的问题,这将影响算法的效果。除此之外,它无法加入更多的特征去刻画User、Item,如果只是改进相似度函数,这对算法效果的提升并不明显。推荐系统在电商场景下最重要的作用是提升用户体验并引导成交,然而随着电商规模的扩大,数据计算量也飞速增长,传统的推荐算法无法满足需求。所以本文采用了基于Match、Rank的思路进行粗召回、精排序的推荐方法,这种混合推荐的机器学习方法更容易融入更多的特征,进而更精准地刻画用户喜好。在提升推荐精度方面本文通过复杂网络算法挖掘用户行为蕴含的关系特征,并将该维度的特征进行扩展应用到模型中去。其次,其次,本文还用K-Core算法提取核心节点用于Match阶段,这也可以看做是对噪声数据的清洗。该方法能够提升模型精度和鲁棒性。除此之外,还对本文用到的群落发现算法进行了分布式实现,使得大规模关系数据挖掘成为可能。从本文的实验以及结果分析中可以发现,这里提出的混合推荐算法能够显著提高推荐模型的效果。
【关键词】：推荐系统 关系特征 复杂网络
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要4-5
• abstract5-9
• 第1章 绪论9-13
• 1.1 研究背景及其意义9-10
• 1.2 推荐算法研究现状及工业界应用10-11
• 1.3 本文研究内容11-12
• 1.4 本文研究章节结构12-13
• 第2章 相关研究简介13-26
• 2.1 推荐算法13-21
• 2.1.1 基于内容的推荐算法13-14
• 2.1.2 基于近邻的协同过滤推荐算法14-17
• 2.1.3 基于模型的协同过滤推荐算法17-18
• 2.1.4 混合推荐算法18-19
• 2.1.5 推荐算法评估19-21
• 2.2 复杂网络21-23
• 2.2.1 复杂网络概述及结构特性21-22
• 2.2.2 社区发现22-23
• 2.3 GIRAPH图计算框架23-25
• 2.4 本章小结25-26
• 第3章 基于复杂网络关系特征的推荐模型26-38
• 3.1 挖掘网络关系特征26-31
• 3.1.1 群落发现算法思想26-28
• 3.1.2 基于Item的关系数据及权重28-29
• 3.1.3 融合关系数据的多维度特征构建29-31
• 3.2 分布式图框架加速群落发现31-33
• 3.2.1 分布式算法思想31-32
• 3.2.2 震荡检测及死锁处理32-33
• 3.3 提取K-CORE节点消除噪声数据33-34
• 3.4 基于关系特征的混合推荐架构34-37
• 3.4.1 融入Model的二步推荐34-36
• 3.4.2 混合推荐整体架构36-37
• 3.5 本章小结37-38
• 第4章 实验与效果评估38-49
• 4.0 实验数据集38-39
• 4.1 实验环境39-40
• 4.2 推荐算法评估指标40
• 4.3 实验方案及结果分析40-48
• 4.3.1 数据划分及评测搭建41-43
• 4.3.2 网络关系特征提取43-45
• 4.3.3 K-Core清洗数据45-46
• 4.3.4 分布式加速群落发现46-48
• 4.4 本章小结48-49
• 第5章 总结与展望49-51
• 5.1 工作总结49-50
• 5.2 工作展望50-51
• 参考文献51-55
• 作者简介及在学期间所取得的科研成果55-56
• 致谢56

【相似文献】

中国期刊全文数据库 前10条

1 徐义峰;徐云青;刘晓平;;一种基于时间序列性的推荐算法[J];计算机系统应用;2006年10期

2 余小鹏;;一种基于多层关联规则的推荐算法研究[J];计算机应用;2007年06期

3 张海玉;刘志都;杨彩;贾松浩;;基于页面聚类的推荐算法的改进[J];计算机应用与软件;2008年09期

4 张立燕;;一种基于用户事务模式的推荐算法[J];福建电脑;2009年03期

5 王晗;夏自谦;;基于蚁群算法和浏览路径的推荐算法研究[J];中国科技信息;2009年07期

6 周珊丹;周兴社;王海鹏;倪红波;张桂英;苗强;;智能博物馆环境下的个性化推荐算法[J];计算机工程与应用;2010年19期

7 王文;;个性化推荐算法研究[J];电脑知识与技术;2010年16期

8 张恺;秦亮曦;宁朝波;李文阁;;改进评价估计的混合推荐算法研究[J];微计算机信息;2010年36期

9 夏秀峰;代沁;丛丽晖;;用户显意识下的多重态度个性化推荐算法[J];计算机工程与应用;2011年16期

10 杨博;赵鹏飞;;推荐算法综述[J];山西大学学报(自然科学版);2011年03期

中国重要会议论文全文数据库 前10条

1 王韬丞;罗喜军;杜小勇;;基于层次的推荐:一种新的个性化推荐算法[A];第二十四届中国数据库学术会议论文集（技术报告篇）[C];2007年

2 唐灿;;基于模糊用户心理模式的个性化推荐算法[A];2008年计算机应用技术交流会论文集[C];2008年

3 秦国;杜小勇;;基于用户层次信息的协同推荐算法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

4 周玉妮;郑会颂;;基于浏览路径选择的蚁群推荐算法:用于移动商务个性化推荐系统[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年

5 苏日启;胡皓;汪秉宏;;基于网络的含时推荐算法[A];第五届全国复杂网络学术会议论文（摘要）汇集[C];2009年

6 梁莘q，

本文编号：1011999