协同过滤推荐算法的动态性研究

发布时间：2017-10-17 08:48

  本文关键词：协同过滤推荐算法的动态性研究

  更多相关文章： 协同过滤 兴趣变化 概率隐语义算法 评分时间窗 推荐系统

【摘要】：互联网的迅速发展为人们生活带来便利,然而迅速增长的信息也让人们无所适从,想要从海量信息中发现对自己有用的信息需要花费大量时间成本。搜索引擎可以帮助人们快速检索需要的信息,但是很多情况下用户对信息了解不够很难选择合适的搜索关键字。推荐系统的出现改变了这一现状,推荐系统根据用户历史数据,利用各种推荐算法计算用户偏好,主动向用户推送可能感兴趣的信息和商品,有效减少了用户搜索成本,带来更好的用户体验。 协同过滤是目前推荐系统中使用最多的推荐算法,它根据用户的历史评分记录寻找相似的用户或者相似的物品,用这些临近用户或物品来预测用户评分。尽管协同过滤取得了很大成功,但是仍然面临诸多问题,例如冷启动、数据稀疏性、用户兴趣变化等。本文总结了推荐系统中常见的动态性因素,并阐述了已有解决动态性的方案。最后借鉴已有解决方案的思路成功解决了概率隐语义协同推荐算法无法处理用户兴趣变化的问题。 概率隐语义算法是一种基于语义的协同推荐算法,通过构造一个隐含变量来将用户兴趣和物品属性映射到隐变量空间,计算各隐变量类别对物品的评分偏好,和用户属于各类别的概率,加权求和得到预测评分。传统的概率隐语义推荐算法无法处理用户兴趣变化的问题,本论文利用评分时间窗将长期兴趣和短期兴趣分开建模。长期兴趣通过隐语义算法直接得到,短期兴趣通过保存一个用户近期评分物品窗口来近似计算,最后将长期、短期兴趣融合。通过实验证明改进的概率隐语义算法能有效处理用户兴趣变化,获得更高的推荐准确率。
【关键词】：协同过滤 兴趣变化 概率隐语义算法 评分时间窗 推荐系统
【学位授予单位】：中国科学技术大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.3
【目录】：

• 摘要5-6
• abstract6-10
• 第1章 绪论10-20
• 1.1 研究背景和研究意义10-12
• 1.1.1 研究背景10-11
• 1.1.2 研究意义11-12
• 1.2 推荐系统研究现状12-18
• 1.2.1 基于内容的推荐算法12-13
• 1.2.2 协同过滤推荐算法13-14
• 1.2.3 基于信任的推荐算法14-15
• 1.2.4 基于标签的推荐算法15-16
• 1.2.5 混合算法16-17
• 1.2.6 推荐系统最新研究热点17-18
• 1.3 论文主要研究内容和创新点18-19
• 1.4 论文组织结构19-20
• 第2章 协同过滤算法介绍20-34
• 2.1 常见协同过滤算法介绍20-28
• 2.1.1 基于用户相似性的协同推荐算法20-22
• 2.1.2 基于项目相似性的协同推荐算法22-23
• 2.1.3 SlopeOne算法23-24
• 2.1.4 基于用户-项目网络关系的推荐算法24-26
• 2.1.5 矩阵分解26-28
• 2.2 协同过滤算法遇到的挑战28-30
• 2.2.1 冷启动问题28-29
• 2.2.2 数据稀疏性29
• 2.2.3 兴趣变化29
• 2.2.4 其他问题29-30
• 2.3 协同过滤算法评价标准30-32
• 2.3.1 准确率30
• 2.3.2 TOP-N推荐标准30-31
• 2.3.3 多样性和新颖性31
• 2.3.4 覆盖率31-32
• 2.3.5 其他指标32
• 2.4 本章小结32-34
• 第3章 协同过滤算法的动态性研究34-42
• 3.1 协同过滤算法面临的动态性问题34-35
• 3.1.1 商品的时效性34-35
• 3.1.2 用户评价标准的变化35
• 3.1.3 用户兴趣变化35
• 3.2 解决动态性问题的方法分析35-41
• 3.2.1 基于衰减函35-38
• 3.2.2 直接对时间建模38-39
• 3.2.3 兴趣漂移检测39-41
• 3.3 本章小结41-42
• 第4章 考虑用户兴趣变化的概率隐语义协同推荐算法42-52
• 4.1 概率隐语义(PLSA)算法42-44
• 4.1.1 算法应用背景42
• 4.1.2 隐语义(LSA)算法42-43
• 4.1.3 概率隐语义算法(PLSA)43-44
• 4.1.4 概率隐语义算法常见应用44
• 4.2 基于PLSA的协同过滤算法44-47
• 4.2.1 高斯概率隐语义算法与推荐系统44-46
• 4.2.2 高斯概率隐语义算法参数求解46-47
• 4.3 利用短期兴趣建模解决用户兴趣变化问题47-48
• 4.4 DPLSA推荐算法流程描述48
• 4.5 DPLSA推荐算法复杂度分析48-50
• 4.5.1 DPLSA算法的离线复杂度49
• 4.5.2 DPLSA算法的在线复杂度49-50
• 4.6 本章小结50-52
• 第5章 实验与结果分析52-56
• 5.1 实验数据52-53
• 5.1.1 推荐系统常用数据集介绍52-53
• 5.1.2 数据集特征和预处理53
• 5.2 评价标准53
• 5.3 参数选择和试验结果分析53-55
• 5.4 实验结果对构建推荐系统的参考意义55
• 5.5 本章小结55-56
• 第6章 结论与展望56-58
• 6.1 论文总结56-57
• 6.2 未来研究工作57-58
• 参考文献58-62
• 致谢62-64
• 在读期间发表的学术论文与取得的其他研究成果64

【参考文献】

中国期刊全文数据库 前10条

1 郑先荣;汤泽滢;曹先彬;;适应用户兴趣变化的非线性逐步遗忘协同过滤算法[J];计算机辅助工程;2007年02期

2 陈登科;孔繁胜;;基于高斯pLSA模型与项目的协同过滤混合推荐[J];计算机工程与应用;2010年23期

3 费洪晓;戴弋;穆s，

本文编号：1047890