基于时序行为的推荐算法研究

发布时间：2017-12-15 10:31

  本文关键词：基于时序行为的推荐算法研究

  更多相关文章： 时序行为 类型组合空间 随机游走算法 往返时间 矩阵分解

【摘要】：如今,面对玲琅满目的互联网资源,用户难以快速找到所需信息。为了提高搜索效率、满足用户个性化需求,推荐系统应运而生。推荐系统通过挖掘用户的兴趣爱好,给用户推荐合适的产品。所以用户的兴趣是推荐算法进行推荐时的重要依据,只有准确的把握用户兴趣,才能进行高效准确的推荐。然而,用户兴趣的获取仍存在挑战:第一,用户兴趣多样化,难以表示;第二,用户的兴趣会随着时间发生改变,难以获取。对此,研究者利用项目类型信息、隐主题、隐语意等表示用户兴趣,并且通过对时序信息建模,引入时间衰减函数和时间窗等方法解决兴趣变化问题。基于以上研究及存在问题,本文做了以下方面的工作:第一,针对用户兴趣难表示的问题,本文提出用项目的类型组合表示用户的兴趣。首先,本文根据项目具有的类型组合,建立类型组合空间。其次,根据类型组合在空间上的结构关系和元素关系定义了类型组合之间的距离,以此来表示类型组合间的联系。由类型组合表示用户兴趣既可以表示用户兴趣的多样性,也可以体现不同兴趣的关联程度。第二,针对用户兴趣随时间变化难以捕捉的问题,本文将用户的时序行为抽象于图模型中,并用随机游走算法计算用户对于类型组合的喜好程度。首先,根据类型组合距离,将用户的时序信息划分成兴趣段。然后,结合兴趣段体现的兴趣变化情况,计算类型组合转移矩阵。最后,进行个性化随机游走,求得用户的类型组合喜好。这样既考虑到了用户平稳的兴趣喜好情况,又考虑到了兴趣变化情况,可以更好的捕捉用户的兴趣。第三,对于每一个用户来说,他可能不会重复浏览同一个项目,但是却可以重复浏览某种类型组合。针对这个特点,引入往返时间核函数来衡量两个类型组合之间的跳转难易程度,进而改进类型组合转移矩阵。最后,利用矩阵分解模型进行评分预测,并生成推荐列表。本文针对MovieLens数据集进行了参数选择实验和对比实验。结果表明,本文提出的算法在推荐精确度上有一定的提高。
【学位授予单位】：中国民航大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP391.3

【参考文献】

中国期刊全文数据库 前8条

1 燕彩蓉;张青龙;赵雪;黄永锋;;基于广义高斯分布的贝叶斯概率矩阵分解方法[J];计算机研究与发展;2016年12期

2 余永红;高阳;王皓;;基于Ranking的泊松矩阵分解兴趣点推荐算法[J];计算机研究与发展;2016年08期

3 冷亚军;陆青;梁昌勇;;协同过滤推荐技术综述[J];模式识别与人工智能;2014年08期

4 张引;陈敏;廖小飞;;大数据应用的现状与展望[J];计算机研究与发展;2013年S2期

5 孙光福;吴乐;刘淇;朱琛;陈恩红;;基于时序行为的协同过滤推荐算法[J];软件学报;2013年11期

6 王元卓;靳小龙;程学旗;;网络大数据:现状与展望[J];计算机学报;2013年06期

7 涂丹丹;舒承椿;余海燕;;基于联合概率矩阵分解的上下文广告推荐算法[J];软件学报;2013年03期

8 许海玲;吴潇;李晓东;阎保平;;互联网推荐系统比较研究[J];软件学报;2009年02期

中国博士学位论文全文数据库 前2条

1 刘玉婷;网页排序中的随机模型及算法[D];北京交通大学;2009年

2 徐晓华;图上的随机游走学习[D];南京航空航天大学;2008年

，

本文编号：1291680