类博弈个性化推荐算法的设计与研究

发布时间：2017-08-08 10:23

  本文关键词：类博弈个性化推荐算法的设计与研究

  更多相关文章： 推荐系统 类博弈思想 个性化 分布式计算

【摘要】：在早期的互联网时代,分类索引可以有效地帮助用户找到需要的信息。随着互联网数据的不断增加,分类索引难以囊括所有数据,搜索引擎的出现解决了这一瓶颈。在互联网数据爆发的今天,各个领域的数据逐步过载,受限于关键词的搜索引擎也难以应对用户日益增长的个性化需求,诸如“最好听”一类难以被量化的关键词,往往得到近乎广告的搜索结果。在这样的背景下,推荐系统得到了广泛的研究和使用。推荐算法是推荐系统的灵魂,常规的推荐算法从实时性的角度可以分为在线推荐和离线推荐。离线推荐是在线推荐的数据基础,在线推荐是离线推荐的进一步应用。离线推荐从提取用户和物品特征的角度入手,可以有效提升推荐准确率,离线数据比较稳定,易于建模和评估。但离线计算一般需要较长的运行时间,这段空闲期如果置之不理,会出现“兴趣漂移”问题,这时就需要在线计算来进行弥补。在线计算可以在离线计算的基础上调节推荐结果,有效缓解“兴趣漂移”问题,维持离线计算的推荐准确率。本论文从离线推荐和在线推荐两个方面进行了研究,主要包括:1)对传统基于物品协同过滤算法进行分布式改进,通过对分布式计算框架Dpark的性能验证实验和分布式内存数据库Beans DB的特点分析,提出了基于Dpark的数据关系提取方案和基于Beans DB的矩阵存储方案。2)在离线计算上,提出了加强“个性化特征”的引入用户追新度和物品流行度(由于实验采用的是公开音乐数据集,在本论文中主要讨论“音乐流行度”,正文将直接采用“音乐流行度”这一说法)的离线推荐算法。分别对用户追新度和物品流行度的定义和依据进行了说明,并基于两个度量提出了改进的推荐模型,详细解读了模型的原理,并在实现算法之后,与基于物品协同过滤算法进行了详细的性能对比分析。3)在在线计算上,具体描述了离线计算中存在的“兴趣漂移”现象和常规的缓解方法,然后提出了引入“类博弈思想”的在线推荐算法,通过结合离线推荐算法的推荐结果,在系统和用户的交互过程中,进行在线推荐,有效缓解了离线推荐中存在的“兴趣漂移”问题,提升了推荐算法的实时性和灵活性,并提出了一种可行的实现类博弈思想的算法流程,对实验结果进行了展示和分析。4)提出了一种基于RESTful Web Service的个性化音乐推荐系统的整体架构,实现了算法理论与实际系统的对接,介绍了基础的服务端接口,并对网站端和移动端进行了结果展示,为将本论文提出的推荐算法应用到实际系统提供了一条可行的技术路线。
【关键词】：推荐系统 类博弈思想 个性化 分布式计算
【学位授予单位】：贵州大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要4-6
• ABSTRACT6-8
• 1 前言8-12
• 1.1 研究背景与意义8
• 1.2 国内外研究成果8-10
• 1.3 论文主要研究内容10-11
• 1.4 论文组织结构11
• 1.5 本章小结11-12
• 2 理论基础与相关技术12-22
• 2.1 基于物品协同过滤算法12-14
• 2.2 分布式计算平台14-17
• 2.3 博弈论17-19
• 2.3.1 传统博弈论17-18
• 2.3.2 演化博弈论18-19
• 2.4 Web服务19-21
• 2.5 本章小结21-22
• 3 基于物品协同过滤算法的分布式改进22-28
• 3.1 传统基于物品协同过滤算法实践中存在的问题22-23
• 3.1.1 迭代运算时的性能问题22
• 3.1.2 稀疏矩阵存储时的空间问题22-23
• 3.2 基于Dpark的数据处理23-26
• 3.3 基于BeansDB的矩阵存储26-27
• 3.4 本章小结27-28
• 4 类博弈个性化推荐算法28-48
• 4.1 算法概述28-29
• 4.2 加强“个性化特征”的离线推荐算法29-42
• 4.2.1 传统基于物品协同过滤算法的推荐模型29-30
• 4.2.2 引入用户追新度和音乐流行度的改进协同过滤算法30-34
• 4.2.3 实验数据分析34-42
• 4.3 基于“类博弈思想”的在线推荐算法42-47
• 4.3.1“兴趣漂移”问题42-43
• 4.3.2 常规缓解“兴趣漂移”问题的方法43-44
• 4.3.3 类博弈思想44-45
• 4.3.4 算法设计与实验数据分析45-47
• 4.4 本章小结47-48
• 5 个性化音乐推荐系统48-57
• 5.1 功能概述48
• 5.2 架构设计与实现验证48-56
• 5.2.1 架构概述48-49
• 5.2.2 架构设计49-52
• 5.2.3 实现验证52-56
• 5.3 本章小结56-57
• 6 总结与展望57-59
• 6.1 总结57-58
• 6.2 展望58-59
• 致谢59-60
• 参考文献60-62
• 附录62-63
• 图版63-64
• 表版64-65

【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：639504