基于协同过滤的推荐方法的研究

发布时间：2017-09-15 07:37

  本文关键词：基于协同过滤的推荐方法的研究

  更多相关文章： 协同过滤 稀疏性 用户偏见 时效偏好 概念漂移

【摘要】：面对互联网时代中信息过载所带来的各种问题和挑战,人类正不断研究和发展不同的新技术,其中个性化信息服务技术独占优势,主要包括搜索引擎和推荐系统。虽然搜索引擎能够基于用户所提供的明确的需求信息,做出针对性的搜索服务,但是由于内部机制的限制,用户参与度高,服务内容局限。而推荐系统的产生能够弥补搜索引擎所存在的不足,通过分析用户历史行为数据,发现用户的兴趣偏好,从而主动生成满足用户需求的信息内容。到目前为止,推荐系统不仅成为了电子商务发展过程中必不可少的部分,而且在其他领域也被广泛应用。推荐系统的核心在于个性化推荐方法,各种不同的推荐技术正逐步受到国内外业界人士的广泛研究与实践,其中协同过滤推荐技术最受青睐。本文在对国内外研究现状分析的基础上,通过探讨现有的个性化推荐的相关理论和技术,主要针对协同过滤推荐技术进行了更深一步的研究。本文首先针对基于内存的协同推荐方法,从数据稀疏性以及用户偏见性的角度考虑,提出一种优化的协同过滤算法。通过建立用户偏好主题向量,间接获取用户之间的相似性,以此克服数据稀疏性对用户相似度计算准确性的影响。同时基于对用户偏见性的考虑,引入贝叶斯重排序算法,建立项目的信任子群,获取用户对信任子群的局部偏见,最后通过加权相似用户对目标项目的评分最终产生推荐,并通过相关实验验证了此方法的可行性。其次,基于用户隐式评分数据针对基于模型的协同推荐技术,从用户兴趣的潜在性以及高时效性业务场景下用户兴趣的不稳定性和时间迁移性的角度出发,提出一种基于用户潜在时效偏好的推荐方法。通过深入分析用户的历史行为与用户潜在兴趣的关系,采用了基于概率主题模型的用户兴趣挖掘方法。同时,结合隐马尔科夫模型对用户兴趣进行实时捕获,发现用户的兴趣迁移序列,最后通过多次实验验证了所提出方法在高时效性业务场景中对于推荐性能的改善。最后,针对基于模型的协同推荐方法在用户显式评分数据集上存在的概念漂移问题进行了扩展,对推荐系统中用户兴趣的动态性和多样性,以及其学习过程对潜在情景变化的敏感性进行进一步研究,综合时间因子对用户潜在兴趣的全局影响和局部作用,提出一种基于概念漂移的兴趣二阶段学习方法。分析了时间因素与概念漂移问题的紧密关系,通过在用户-项目的评分数据集上对用户兴趣的两个阶段的模型学习,证明了此方法在解决概念漂移问题上的有效性,以及对提高系统的整体推荐质量的改进。
【关键词】：协同过滤 稀疏性 用户偏见 时效偏好 概念漂移
【学位授予单位】：桂林电子科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要3-4
• ABSTRACT4-8
• 第一章 绪论8-17
• §1.1 研究背景及研究意义8-10
• §1.1.1 研究背景8-9
• §1.1.2 研究意义9-10
• §1.2 国内外研究现状10-14
• §1.2.1 国外研究现状11-12
• §1.2.2 国内研究现状12-14
• §1.3 协同推荐技术面临问题及挑战14-15
• §1.4 论文的基本内容和结构15-17
• 第二章 相关理论和技术17-35
• §2.1 个性化推荐技术17-24
• §2.1.1 基于内容过滤的推荐技术17-19
• §2.1.2 协同过滤推荐技术19-21
• §2.1.3 混合推荐技术21-23
• §2.1.4 基于社会关系的推荐技术23
• §2.1.5 其他推荐技术23-24
• §2.2 协同过滤技术及分类24-33
• §2.2.1 基于内存的协同过滤24-31
• §2.2.2 基于模型的协同过滤31-33
• §2.3 本章小结33-35
• 第三章 基于内存的推荐方法的研究及改进35-44
• §3.1 问题分析35
• §3.2 优化的协同过滤算法35-39
• §3.2.1 用户相似度的计算35-37
• §3.2.2 用户局部偏见性的引入37-39
• §3.2.3 产生推荐39
• §3.3 实验结果与分析39-43
• §3.3.1 数据集39-40
• §3.3.2 度量标准40
• §3.3.3 相关参数的确定40-42
• §3.3.4 算法结果对比42-43
• §3.4 本章小结43-44
• 第四章 基于模型的推荐方法的研究及改进44-55
• §4.1 问题分析44
• §4.2 基于用户潜在时效偏好的推荐算法44-50
• §4.2.1 用户潜在兴趣挖掘44-46
• §4.2.2 用户兴趣迁移序列提取46-47
• §4.2.3 基于用户潜在的时效偏好推荐方法47-50
• §4.3 实验结果与分析50-54
• §4.3.1 数据集50
• §4.3.2 度量标准50-51
• §4.3.3 算法结果对比51-54
• §4.4 本章小结54-55
• 第五章 基于概念漂移问题的扩展55-65
• §5.1 问题分析55-56
• §5.2 基于概念漂移的二阶段兴趣学习推荐算法56-59
• §5.2.1 一阶段兴趣全局学习56-57
• §5.2.2 二阶段兴趣个性化学习57-59
• §5.3 实验结果与分析59-64
• §5.3.1 数据集及度量标准59-60
• §5.3.2 参数的预估60
• §5.3.3 算法时序性的验证60-61
• §5.3.4 算法结果对比61-63
• §5.3.5 评分预测的抗稀疏性评估63-64
• §5.4 本章小结64-65
• 第六章 总结与展望65-67
• §6.1 工作总结65
• §6.2 未来展望65-67
• 参考文献67-73
• 致谢73-74
• 作者在攻读硕士学位期间的主要研究成果74

【相似文献】

中国期刊全文数据库 前10条

1 杨风召;;一种基于特征表的协同过滤算法[J];计算机工程与应用;2007年06期

2 王岚;翟正军;;基于时间加权的协同过滤算法[J];计算机应用;2007年09期

3 曾子明;张李义;;基于多属性决策和协同过滤的智能导购系统[J];武汉大学学报(工学版);2008年02期

4 张富国;;用户多兴趣下基于信任的协同过滤算法研究[J];小型微型计算机系统;2008年08期

5 侯翠琴;焦李成;张文革;;一种压缩稀疏用户评分矩阵的协同过滤算法[J];西安电子科技大学学报;2009年04期

6 廖新考;;基于用户特征和项目属性的混合协同过滤推荐[J];福建电脑;2010年07期

7 沈磊;周一民;李舟军;;基于心理学模型的协同过滤推荐方法[J];计算机工程;2010年20期

8 徐红;彭黎;郭艾寅;徐云剑;;基于用户多兴趣的协同过滤策略改进研究[J];计算机技术与发展;2011年04期

9 焦晨斌;王世卿;;基于模型填充的混合协同过滤算法[J];微计算机信息;2011年11期

10 郑婕;鲍海琴;;基于协同过滤推荐技术的个性化网络教学平台研究[J];科技风;2012年06期

中国重要会议论文全文数据库 前10条

1 沈杰峰;杜亚军;唐俊;;一种基于项目分类的协同过滤算法[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

2 周军锋;汤显;郭景峰;;一种优化的协同过滤推荐算法[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年

3 董全德;;基于双信息源的协同过滤算法研究[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年

4 张光卫;康建初;李鹤松;刘常昱;李德毅;;面向场景的协同过滤推荐算法[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年

5 李建国;姚良超;汤庸;郭欢;;基于认知度的协同过滤推荐算法[A];第26届中国数据库学术会议论文集（B辑）[C];2009年

6 王明文;陶红亮;熊小勇;;双向聚类迭代的协同过滤推荐算法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

7 胡必云;李舟军;王君;;基于心理测量学的协同过滤相似度方法(英文)[A];NDBC2010第27届中国数据库学术会议论文集(B辑)[C];2010年

8 林丽冰;师瑞峰;周一民;李月雷;;基于双聚类的协同过滤推荐算法[A];2008'中国信息技术与应用学术论坛论文集（一）[C];2008年

9 罗喜军;王韬丞;杜小勇;刘红岩;何军;;基于类别的推荐——一种解决协同推荐中冷启动问题的方法[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

10 黄创光;印鉴;汪静;刘玉葆;王甲海;;不确定近邻的协同过滤推荐算法[A];NDBC2010第27届中国数据库学术会议论文集A辑一[C];2010年

中国博士学位论文全文数据库 前10条

1 纪科;融合上下文信息的混合协同过滤推荐算法研究[D];北京交通大学;2016年

2 程殿虎;基于协同过滤的社会网络推荐系统关键技术研究[D];中国海洋大学;2015年

3 于程远;基于QoS的Web服务推荐技术研究[D];上海交通大学;2015年

4 李聪;电子商务推荐系统中协同过滤瓶颈问题研究[D];合肥工业大学;2009年

5 郭艳红;推荐系统的协同过滤算法与应用研究[D];大连理工大学;2008年

6 罗恒;基于协同过滤视角的受限玻尔兹曼机研究[D];上海交通大学;2011年

7 薛福亮;电子商务协同过滤推荐质量影响因素及其改进机制研究[D];天津大学;2012年

8 高e，

本文编号：855195