推荐算法与推荐网络研究

发布时间：2017-05-17 19:16

  本文关键词：推荐算法与推荐网络研究，由笔耕文化传播整理发布。

【摘要】：信息推荐技术,作为解决信息过载问题的技术手段之一,在理论和应用层面都具有重大的意义和价值。从理论上讲,信息推荐问题是信息挖掘和信息过滤这一重大科学问题的重要组成部分;从应用上讲,信息推荐技术已经成为众多电子商务网站的核心技术,并创造了巨大的经济价值。信息推荐是一个典型的交叉研究领域。本文针对推荐系统的多样性问题、稀疏性问题和推荐网络的结构分析等问题开展研究,综合利用计算机科学、统计物理学和社会学等多学科的理论和方法,提出了一些有效的解决方案,具体如下:1)提出一种基于多维度分析的推荐算法。该方法将高维商品空间投影到低维商品空间,满足商品在低维空间的距离近似于商品在高维空间的距离。算法的扩展性好于SVD和矩阵分解算法等降维方法,去除了数据中的噪音,从而能够更加高效、准确地计算商品间的相似度。实验结果表明,在基于产品的协同过滤框架下,算法的准确性和多样性比传统推荐算法分别提高了27.9%和27.4%。2)提出一种基于局部随机游走的推荐算法。该方法在传统随机游走算法的基础上,仅考虑有限次数的游走过程,准确率和效率明显高于传统的随机游走算法,商品覆盖率明显大于传统的推荐算法,显著改善不活跃用户的推荐质量。实验结果表明,在稀疏的数据中,算法准确性比传统推荐算法提高了10%;针对不活跃用户,算法准确性比传统推荐算法提高了21.9%。3)提出一种基于社交网络的随机游走推荐算法。该方法在用户-商品二部分网络中,引入用户-社团二部分网络,基于两个网络上的随机游走模型,增加了网络节点间的可达概率,大幅度地提高了不活跃用户的推荐质量,从而弱化了数据稀疏性问题和冷启动问题。实验结果表明,当向不活跃用户和新用户推荐商品时,算法的准确性比传统的推荐算法提高了44.5%。4)提出一种基于信息核的推荐算法。该方法根据用户最近邻出现的次数和位置,设计了一种快速有效的信息核提取算法,并分析了信息核的结构特征和核心用户的分布情况。算法的优点在于去除了推荐系统中的不相关用户,从而提高了算法的效率和健壮性。实验结果表明,在信息核为原始数据总量20%的情况下,算法的准确性能够达到使用所有数据准确性的90%以上。5)提出了基于社交关系的矩阵分解算法。该方法利用正则化和因子分解方法,在一个模型中同时考虑用户-商品矩阵、用户-社团矩阵和用户-朋友矩阵。实验结果表明,正则化方法更适用于用户-朋友这样的单模数据,因子分解算法更适用于用户-商品、用户-社团等双模数据。多数据源的交叉学习,可以明显改善算法在稀疏数据中的准确性,在商品推荐、社团推荐和朋友推荐中,算法的准确性比传统算法分别提高了19.5%、36.2%和5%。
【关键词】：协同过滤 推荐算法 多样性 稀疏性 推荐网络
【学位授予单位】：电子科技大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.3
【目录】：

• 摘要5-7
• ABSTRACT7-13
• 第一章 绪论13-21
• 1.1 研究工作的背景与意义13-14
• 1.2 国内外研究现状14-19
• 1.2.1 推荐算法14-16
• 1.2.2 推荐系统的准确性和多样性16-17
• 1.2.3 推荐系统的数据稀疏性17-18
• 1.2.4 推荐网络分析18-19
• 1.3 论文的主要工作与创新19-20
• 1.4 论文的结构安排20-21
• 第二章 基于多维度分析的协同过滤推荐算法21-34
• 2.1 问题及相关工作21-22
• 2.2 基于多维度分析的协同过滤推荐算法22-24
• 2.2.1 算法思想22-23
• 2.2.2 算法描述23-24
• 2.2.3 算法分析24
• 2.3 实验设计24-27
• 2.3.1 数据集24
• 2.3.2 评价指标24-25
• 2.3.3 对比算法25-26
• 2.3.4 实验方法和过程26-27
• 2.4 实验结果与分析27-33
• 2.4.1 相似度方法的对比结果27-29
• 2.4.2 推荐算法的准确性对比结果29-31
• 2.4.3 推荐算法的多样性对比结果31-32
• 2.4.4 推荐算法对二部分网络多样性的影响32-33
• 2.4.5 推荐算法的效率对比33
• 2.5 本章小结33-34
• 第三章 基于局部随机游走的推荐算法34-46
• 3.1 问题及相关工作34-35
• 3.2 基于局部随机游走的推荐算法35-37
• 3.2.1 算法思想35-36
• 3.2.2 算法描述36-37
• 3.2.3 算法分析37
• 3.3 实验设计37-39
• 3.3.1 数据集37-38
• 3.3.2 评价指标38
• 3.3.3 对比算法38-39
• 3.3.4 实验方法和过程39
• 3.4 实验结果与分析39-45
• 3.4.1 现有算法的不足及其原因39-41
• 3.4.2 基于局部随机游走算法的准确性分析41-44
• 3.4.3 改进局部随机游走推荐算法的准确性分析44-45
• 3.5 本章小结45-46
• 第四章 基于社交网络的随机游走推荐算法46-56
• 4.1 问题及相关工作46-47
• 4.2 基于社交网络的随机游走推荐算法47-49
• 4.2.1 算法思想47
• 4.2.2 算法描述47-49
• 4.2.3 算法分析49
• 4.3 实验设计49-52
• 4.3.1 数据集49
• 4.3.2 评价指标49-50
• 4.3.3 对比算法50-51
• 4.3.4 实验方法和过程51-52
• 4.4 实验结果与分析52-55
• 4.4.1 评分网络与社交网络特征分析52-53
• 4.4.2 社团对商品选择的影响53-54
• 4.4.3 推荐算法准确性的对比结果54-55
• 4.5 本章小结55-56
• 第五章 基于信息核的推荐算法56-74
• 5.1 问题及相关工作56-57
• 5.2 基于信息核的推荐算法57-61
• 5.2.1 信息核的定义57-58
• 5.2.2 基于近邻的物质扩散算法58-59
• 5.2.3 信息核提取算法59-60
• 5.2.4 基于信息核的推荐算法60-61
• 5.2.5 算法分析61
• 5.3 实验设计61-64
• 5.3.1 数据集61-62
• 5.3.2 评价指标62
• 5.3.3 对比算法62-63
• 5.3.4 实验方法与过程63-64
• 5.4 实验结果与分析64-72
• 5.4.1 基于近邻物质扩散算法的准确性64-66
• 5.4.2 基于信息核推荐算法的准确性66-68
• 5.4.3 近邻个数对信息核算法准确性的影响68-69
• 5.4.4 信息核的结构分析69-72
• 5.5 本章小结72-74
• 第六章 基于社交网络的矩阵分解算法74-96
• 6.1 问题及相关工作74-79
• 6.2 基于社交网络的矩阵分解算法79-88
• 6.2.1 基于多数据源的算法分类79-80
• 6.2.2 基于社团和朋友信息的商品推荐算法80-84
• 6.2.3 基于朋友和商品偏好信息的社团推荐算法84-86
• 6.2.4 基于社团和商品偏好信息品的朋友推荐算法86-87
• 6.2.5 算法分析87-88
• 6.3 实验设计88-89
• 6.3.1 数据集88
• 6.3.2 评价指标88-89
• 6.3.3 实验方法与过程89
• 6.4 实验结果与分析89-94
• 6.4.1 商品推荐算法的准确性对比90-91
• 6.4.2 社团推荐算法的准确性对比91-93
• 6.4.3 朋友推荐算法的准确性对比93-94
• 6.5 本章小结94-96
• 第七章 全文总结与展望96-98
• 致谢98-99
• 参考文献99-108
• 攻读博士学位期间取得的成果108-109

  本文关键词：推荐算法与推荐网络研究，由笔耕文化传播整理发布。

，

本文编号：374286