基于分值传递的协同过滤推荐技术研究

发布时间：2017-08-16 07:28

  本文关键词：基于分值传递的协同过滤推荐技术研究

  更多相关文章： 推荐技术 分值传递 图模型 集成学习 协同过滤

【摘要】：依据信息检索的方式,互联网的发展经历了门户网站阶段、搜索引擎阶段以及个性化推荐阶段。个性化推荐能根据用户的兴趣爱好,自动为用户提供个性化的服务。而作为目前应用最成功的推荐技术之一,协同过滤技术也面临着推荐准确性、评分稀疏性等问题。本文针对这些问题,对基于分值传递的协同过滤推荐技术展开研究,主要成果有： 1.从传统的基于用户图传递模型和基于对象图传递模型为出发点,提出了一种改进的用于Top-N推荐的联合图传递模型。通过引入局部密度敏感因子,加大关系密集的图结点传递的权重,并进行迭代传递更新,有效地提高了基于图传递的协同过滤推荐性能。 2.为克服基于用户图传递模型和基于对象图传递模型无法充分利用“用户-对象”信息的不足,本文提出了基于点扩散的图传递模型。通过把评分矩阵中的每个评分看作图传递模型中一个结点,并在构建结点间的关系时考虑“用户-对象”联合信息,使得评价分值经图模型传递之后得到更可靠的评分预测。 3.本文提出了基于多视角回归集成的Top-N推荐框架。该框架把评分预测看作是一个多视角回归问题,并利用偏最小二乘模型进行多视角间的交替回归,形成多个初始评分预测。在此基础上,提出了基于迭代阈值自适应修正的AdaBoost集成学习方法,动态学习出弱预测器。实验表明,同单一初始评分预测相比,通过集成学习得到的预测分值在Top-N推荐中取得了更优的性能。
【关键词】：推荐技术 分值传递 图模型 集成学习 协同过滤
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP391.3
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-10
• 1 绪论10-22
• 1.1 课题的研究背景与意义10-12
• 1.2 推荐技术的研究现状12-15
• 1.2.1 基于内容的过滤(Content-based Filtering)12-13
• 1.2.2 基于协同过滤的推荐技术(Collaborative Filtering)13-14
• 1.2.3 混合推荐技术(Hybrid Filtering)14-15
• 1.3 协同过滤推荐技术15-19
• 1.3.1 协同过滤算法分类15-18
• 1.3.2 协同过滤技术遇到的挑战18-19
• 1.4 论文的研究内容19-20
• 1.5 论文结构20-21
• 1.6 本章小结21-22
• 2 基于局部密度敏感的联合图传递模型22-31
• 2.1 图传递模型介绍22-24
• 2.2 基于局部密度敏感的联合图传递的Top-N推荐24-27
• 2.2.1 基于局部密度敏感的用户-对象联合图传递24-26
• 2.2.2 相似性度量26-27
• 2.3 实验结果与分析27-30
• 2.3.1 数据集和实验设置27-28
• 2.3.2 方法比较28-29
• 2.3.3 模型参数影响29-30
• 2.4 本章小结30-31
• 3 基于点扩散的图传递模型31-39
• 3.1 基于向量图传递模型的Top-N推荐31-33
• 3.2 基于点扩散的图模型介绍33-34
• 3.3 基于点扩散图传递模型的Top-N推荐框架图34-36
• 3.4 相似性度量36
• 3.5 实验结果与分析36-38
• 3.6 本章小结38-39
• 4 基于多视角回归集成的Top-N推荐39-50
• 4.1 基于多视角回归集成的Top-N推荐框架39-40
• 4.2 多视角PLS回归40-42
• 4.2.1 偏最小二乘回归(Partial Least Squares Regression)40-42
• 4.2.2 多视角PLS回归算法42
• 4.3 基于迭代阈值自适应修正的AdaBoost集成学习42-45
• 4.3.1 集成学习的基本理论介绍42-43
• 4.3.2 基于迭代阂值自适应修正的AdaBoost集成学习算法43-45
• 4.4 实验结果与分析45-49
• 4.4.1 方法比较45-46
• 4.4.2 集成个数影响46-48
• 4.4.3 修正参数影响48-49
• 4.5 本章小结49-50
• 5 总结与展望50-52
• 5.1 工作总结50
• 5.2 工作展望50-52
• 参考文献52-55
• 作者简历及攻读硕士学位期间取得的研究成果55-57
• 学位论文数据集57

【参考文献】

中国期刊全文数据库 前2条

1 曹一鸣;;协同过滤推荐瓶颈问题综述[J];软件;2012年12期

2 辛沛露;朱振峰;赵耀;;基于交互式图传递模型的Top-N推荐[J];信号处理;2012年10期

，

本文编号：682057