推荐系统中多源信息融合和隐式反馈挖掘的研究

发布时间：2017-12-16 09:39

  本文关键词：推荐系统中多源信息融合和隐式反馈挖掘的研究

  更多相关文章： 推荐系统 协同过滤 矩阵分解 打分预测 主题建模 社会推荐系统 异构信息源 隐式反馈

【摘要】：通信技术和网络媒体的发展,产生了大量的信息、：新闻,音乐,视频,应用软件等；为克服由此带来的信息过载问题,研究者们就对如何构建支撑用户做出个性化决策的信息系统产生了兴趣,并提出了多种信息过滤算法,这些系统(算法)统称为推荐系统(算法)。由于推荐系统能够为广大用户提供他们感兴趣和有用的物品,给企业带来营收、为平台增强功能同时也提升了用户满意度,使得推荐系统在电子商务、流媒体平台和社交网络与社会媒体等领域有广泛的应用。由于传统的协同过滤推荐方法只利用了用户对物品的浅层打分信息,使得推荐性能深受冷启动和数据稀疏性的影响。因而目前一个重要方向是增加额外的数据源：一方面,是增加文本信息,如用户对产品的评论数据；另一方面,是增加社交关系信息,如用户在社会网络中形成的信任关系链。然而,如何将文本信息和社交关系信息整合到基于矩阵分解的协同过滤方法中,还缺乏高效的融合方法。另一个重要方向是深度利用有限的信息,如挖掘打分信息中的隐式反馈。但是如何把横向增加额外数据源与纵向深挖有限信息两个重要方向结合起来以进一步提高推荐性能,相关工作据作者所知还没有。本文对推荐系统中的多源信息融合和隐式反馈挖掘进行了研究,在此基础上提出了两个推荐模型,主要工作包括：1.提出一个基于多源信息融合的高效综合方法,能够同时建模打分信息、文本信息和社交网络信息。以往利用额外数据源的方法通常只加入了一种额外信息,比如只加入了文本信息,或者只加入了社交关系信息,缺乏一个高效的综合方法。针对这一问题,本文通过基于矩阵分解的协同过滤基本模型,建立了打通文本信息和社交关系信息的融合方法。该方法不仅具有优化目标上的统一性,在两个真实数据集的评估上都有实践上的性能提升。2.提出一个基于隐式反馈挖掘的扩展融合模型,能够在深挖纵向打分信息的同时融合横向的额外数据源。以往利用隐式反馈信息的方法都只考虑了如何纵向深挖打分信息,而忽略了融合横向的额外数据源。针对这一问题,本文通过多源信息融合这一综合方法,在此基础上建立了能深挖隐式反馈信息的扩展模型。通过此方法,本文首次实现了横向多源数据融合和纵向隐式反馈挖掘两个克服冷启动和数据稀疏性问题的重要方向的汇合。所提出的融合模型和扩展融合模型在两个较大规模的数据集上做了实验验证,并对两个模型的所含组件和超参敏感性进行了详细分析。
【学位授予单位】：南京大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3

【相似文献】

中国期刊全文数据库 前10条

1 米可菲;张勇;邢春晓;蔚欣;;面向大数据的开源推荐系统分析[J];计算机与数字工程;2013年10期

2 脱建勇;王嵩;李秀;刘文煌;;精品课共享中的推荐系统框架与实现[J];计算机工程与设计;2006年17期

3 苏冠贤;张丽霞;林丕源;刘吉平;;生物信息学推荐系统的设计与实现[J];计算机应用研究;2007年05期

4 王改芬;;推荐系统研究综述[J];软件导刊;2007年23期

5 叶群来;;营销与网络推荐系统[J];电子商务;2007年10期

6 李媚;;个性化网络学习资源推荐系统研究[J];福建电脑;2008年12期

7 潘冉;姜丽红;;基于经济学模型的推荐系统的研究[J];计算机应用与软件;2008年03期

8 刘鲁;任晓丽;;推荐系统研究进展及展望[J];信息系统学报;2008年01期

9 刘小燕;陈艳丽;贾宗璞;沈记全;;基于增强学习的旅行计划推荐系统[J];计算机工程;2010年21期

10 曹畋;;智能推荐系统在知识浏览领域的应用[J];硅谷;2011年21期

中国重要会议论文全文数据库 前8条

1 张燕;李燕萍;;基于内容分析和点击率记录的混合音乐推荐系统[A];2009年通信理论与信号处理学术年会论文集[C];2009年

2 赵欣;寇纲;邬文帅;卢艳群;;基于时间密集性的推荐系统攻击检测[A];第六届（2011）中国管理学年会论文摘要集[C];2011年

3 张玉连;张波;张敏;;改进的个性化信息推荐系统的设计与实现[A];2005年全国理论计算机科学学术年会论文集[C];2005年

4 王君;许洁萍;;层次音乐推荐系统的研究[A];第18届全国多媒体学术会议（NCMT2009）、第5届全国人机交互学术会议（CHCI2009）、第5届全国普适计算学术会议（PCC2009）论文集[C];2009年

5 潘宇;林鸿飞;杨志豪;;基于用户聚类的电子商务推荐系统[A];第三届学生计算语言学研讨会论文集[C];2006年

6 尤忠彬;陈越;张英;朱扬勇;;基于Web服务的技术转移平台推荐系统研究[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

7 王国霞;刘贺平;李擎;;二部图影射及其在推荐系统中的应用[A];第25届中国控制与决策会议论文集[C];2013年

8 王雪;董爱华;吴怡之;;基于RFID技术的智能服装推荐系统设计[A];2011年全国电子信息技术与应用学术会议论文集[C];2011年

中国重要报纸全文数据库 前2条

1 ;大数据如何“落地”[N];中国新闻出版报;2014年

2 本报记者 邹大斌;大数据：电商新武器[N];计算机世界;2012年

中国博士学位论文全文数据库 前10条

1 周魏;推荐系统中基于目标项目分析的托攻击检测研究[D];重庆大学;2015年

2 王宏宇;商务推荐系统的设计研究[D];中国科学技术大学;2007年

3 杨东辉;基于情感相似度的社会化推荐系统研究[D];哈尔滨工业大学;2014年

4 曹渝昆;基于神经网络和模糊逻辑的智能推荐系统研究[D];重庆大学;2006年

5 王立才;上下文感知推荐系统若干关键技术研究[D];北京邮电大学;2012年

6 刘龙;一个能实现个性化实时路径推荐服务的推荐系统框架[D];中国科学技术大学;2014年

7 李涛;推荐系统中若干关键问题研究[D];南京航空航天大学;2009年

8 刘士琛;面向推荐系统的关键问题研究及应用[D];中国科学技术大学;2014年

9 李方方;非独立同分布推荐系统研究[D];北京理工大学;2014年

10 李晓建;基于语义的个性化资源推荐系统中关键技术研究[D];武汉大学;2010年

中国硕士学位论文全文数据库 前10条

1 李炜;基于电子商务平台的保险推荐系统的设计与实现[D];复旦大学;2013年

2 丁志东;长尾信息的个性化推荐中的特征选择优化算法[D];北京交通大学;2016年

3 刘琰;基于社交电商的UGC智能推荐系统设计与实现[D];大连海事大学;2015年

4 蔺川;基于LBS移动终端信息推荐系统的研究与实现[D];北京交通大学;2016年

5 盛实旺;个性化的智能饮食推荐系统开发[D];浙江理工大学;2016年

6 丁阳;基于web用户体验的推荐系统设计与实现[D];北京邮电大学;2013年

7 李清明;基于情境感知的就医信息推荐系统的设计与实现[D];太原理工大学;2016年

8 王化明;电子商务推荐系统研究[D];杭州师范大学;2016年

9 刘涛;一个面向论坛用户的个性化阅读推荐系统研究与实现[D];南京大学;2013年

10 刘顺文;基于Hadoop平台的大学生个性化就业推荐系统的构建与研究[D];东华理工大学;2016年

，

本文编号：1295577