基于经验学习的自适应推荐算法研究

发布时间：2017-06-23 14:15

  本文关键词：基于经验学习的自适应推荐算法研究，由笔耕文化传播整理发布。

【摘要】：传统的推荐算法一般主要利用用户的一些浏览记录、好友推荐等各种方式作为依据进行推荐。其主要目的是为了解决电子商务等领域信息过载的问题。但在实际应用中,一般作为辅助功能呈现,而主要的搜索算法大抵还是基于网页内容的排序索引。而在基于内容的搜索的同时,进行尽可能个性化的推荐方案则寥寥无几,其搜索质量也存在很大的问题。如何结合以上两点,是设计新的高质量搜索排序算法的关键。基于内容搜索排序能够在一定程度上代表文档与用户输入语句的相关性。推荐算法的思想认为,人们历史的操作行为如用户点击等对后来用户的选择的指导推荐作用。本文在合理结合了以上两点的优点,提出了一种基于经验学习的自适应推荐算法IMUSE。本文的主要工作有：首先,通过用户行为分析,提出对历史用户点击数据的处理方法,即给出了对用户点击时效性和文档热度等良好的处理手段。其次,本文借鉴了基于内容检索和基于经验进行推荐两个领域算法的优点,提出了基于经验的搜索推荐算法。特别是考虑到查询输入的平衡等问题,并给出了良好的解决方案。最终本文提出了一种自适应蚁群算法SAACO,将蚁群算法中的调参α、∥放到粒子群算法中进行动态选择。同时将该算法应用到搜索推荐算法的参数估计中,使得提出的推荐算法具备参数自适应设定的优点。本文对SAACO应用到IMUSE参数估计进行了实验,并与大量实验得出的结果进行了对比,实验证明,参数估计的方法与实验得出的结果基本相似。另外,本文选取了推荐算法领域评估指标准确率和搜索排序领域的权威评估方法nDCG作为对IMUSE算法性能的双重评估指标,并利用实验进行证明算法在这两方面算法运算结果的优越性。
【关键词】：经验学习 推荐算法 自适应蚁群算法 参数估计
【学位授予单位】：大连理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18;TP391.3
【目录】：

• 摘要4-5
• Abstract5-8
• 1 绪论8-15
• 1.1 研究背景与意义8-10
• 1.2 研究现状10-12
• 1.3 研究内容12-13
• 1.4 论文结构13-14
• 1.5 本章小结14-15
• 2 搜索推荐算法理论基础15-23
• 2.1 推荐算法综述15-19
• 2.1.1 推荐系统中的数据挖掘15-17
• 2.1.2 基于内容的推荐系统17-18
• 2.1.3 基于近邻推荐方法综述18
• 2.1.4 基于协同过滤的推荐算法18-19
• 2.2 搜索排序算法简介19-21
• 2.3 参数估计简介21-22
• 2.4 本章小结22-23
• 3 自适应蚁群算法设计23-33
• 3.1 粒子群算法简述23-25
• 3.2 蚁群算法简述25-29
• 3.2.1 蚁群觅食模型25-26
• 3.2.2 ACO的数学表述26-29
• 3.2.3 蚁群算法的一些特性29
• 3.3 改进的蚁群算法SAACO29-32
• 3.4 本章小结32-33
• 4 基于经验学习的推荐算法设计33-45
• 4.1 自学习推荐引擎架构设计33-37
• 4.1.1 整体框架设计33-34
• 4.1.2 索引器34-35
• 4.1.3 Web Community35
• 4.1.4 经验学习器35-37
• 4.2 算法主体设计37-39
• 4.3 文档特征分值Fs的计算方法39-40
• 4.4 经验分值Es的计算方法40-42
• 4.5 矩阵R的计算方法42-44
• 4.6 本章小结44-45
• 5 参数估计和实验结果45-55
• 5.1 算法评估方法45-46
• 5.2 IMUSE参数估计实验设计及结果46-49
• 5.3 实验结果及分析49-53
• 5.3.1 实验数据49-51
• 5.3.2 实验验证及结果分析51-53
• 5.4 弱文档属性数据实验及分析53-54
• 5.5 本章小结54-55
• 结论55-56
• 参考文献56-59
• 攻读硕士学位期间发表学术论文情况59-60
• 致谢60-61

【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：475317