本文關(guān)鍵詞：面向SaaS多租戶的動態(tài)推薦方法研究

  更多相關(guān)文章： SaaS 多租戶 動態(tài)推薦 數(shù)據(jù)稀疏 興趣漂移

【摘要】：在當(dāng)今的云計算時代中,基于互聯(lián)網(wǎng)的Saa S軟件交付模式備受推崇,尤其在中小企業(yè)群體中最為明顯。正朝著信息網(wǎng)絡(luò)化發(fā)展的企業(yè),其個性化需求在軟件服務(wù)領(lǐng)域的長尾市場中也日益突出,如何在種類繁多的資源中為企業(yè)群體提供所需服務(wù)已成為當(dāng)下關(guān)注的焦點(diǎn)。在Saa S環(huán)境多租戶模式下,多個用戶可以租賃同一個服務(wù),并且可依照實(shí)際需要對服務(wù)進(jìn)行定制,既滿足了租戶的多樣化需求,又充分發(fā)揮了服務(wù)的個性化特征。對于服務(wù)的推薦,可以利用動態(tài)推薦技術(shù)中應(yīng)用最為廣泛的協(xié)同過濾。雖然該技術(shù)在電商等領(lǐng)域上已經(jīng)取得巨大成功,但同樣面臨兩個典型的問題:數(shù)據(jù)稀疏和興趣漂移。稀疏問題是由于推薦系統(tǒng)建立初期信息缺失或者運(yùn)行過程中新信息獲取不充分產(chǎn)生高維數(shù)據(jù)而引起的,而興趣漂移則是由于興趣愛好會因個人或者他人甚至環(huán)境的影響而發(fā)生變化。由于Saa S環(huán)境具有在線系統(tǒng)的動態(tài)性,其信息基礎(chǔ)是變動的數(shù)據(jù),稀疏和漂移情況會隨時出現(xiàn)。這兩個問題不僅相互影響,而且會影響系統(tǒng)推薦的精確度。本文針對這兩個問題,將多租戶的應(yīng)用場景和個性化推薦技術(shù)進(jìn)行結(jié)合,主要解決推薦方法中的數(shù)據(jù)稀疏和興趣漂移問題。具體研究工作如下:1)稀疏數(shù)據(jù)處理與不精確問題之間的關(guān)系在Saa S環(huán)境下對租戶進(jìn)行服務(wù)推薦,探究推薦過程中的數(shù)據(jù)稀疏問題。有很多文獻(xiàn)都將數(shù)據(jù)稀疏和冷啟動分開研究,本文認(rèn)為數(shù)據(jù)稀疏是由冷啟動、新用戶和新項(xiàng)目導(dǎo)致的�，F(xiàn)有的解決方案主要有填充法或降維法,適用于數(shù)據(jù)較為單一的環(huán)境,而Saa S模式下的多租戶服務(wù)平臺環(huán)境較為復(fù)雜,傳統(tǒng)方法使用受限。本文提出一種基于隱語義模型的協(xié)同推薦算法,歸類Saa S軟件服務(wù)中的異構(gòu)關(guān)系,在矩陣分解的基礎(chǔ)上利用LFM模型規(guī)則化單模關(guān)系、分解化雙模關(guān)系,提取其中隱含的信息,從而擴(kuò)充相關(guān)數(shù)據(jù)集,緩解協(xié)同過濾算法中由于數(shù)據(jù)稀疏帶來的不精確問題。2)對興趣漂移的處理興趣變化的因素有很多,自身喜好、產(chǎn)品質(zhì)量或者大眾評價等,而現(xiàn)有解決方案的信息基礎(chǔ)較為單一,興趣模型的更新只是根據(jù)近期或者簡單采取遺忘函數(shù),這會導(dǎo)致過擬合而失去多樣性。針對租戶的可變興趣,本文提出基于時間效應(yīng)的興趣進(jìn)化策略,面向不同粒度的服務(wù)層次,將基礎(chǔ)信息分為顯式信息和隱式信息,并以此分別建模和更新�；陲@式信息的興趣進(jìn)化算法以服務(wù)粒度為基礎(chǔ),將影響興趣的不同因素與時間結(jié)合,建立TRSVD動態(tài)模型,通過評分值高低進(jìn)行服務(wù)推薦,進(jìn)而利用組合方法形成個性化服務(wù)集合;而基于隱式信息的興趣進(jìn)化算法以服務(wù)的可定制點(diǎn)粒度為基礎(chǔ),將租戶的行為量化為對服務(wù)的評價,并分別進(jìn)行短期和長期興趣更新,然后利用遺傳算法將小粒度定制點(diǎn)的推薦結(jié)果轉(zhuǎn)化為個性化服務(wù)集合推薦。最后將兩個結(jié)果集融合,得到最終預(yù)測的租戶個性化服務(wù)。3)實(shí)驗(yàn)與測試由于多租戶模式的特殊性,首先在Saa S相關(guān)平臺進(jìn)行數(shù)據(jù)收集和分類整理,然后分別測試兩個算法。對基于隱語義模型中的單模和雙模關(guān)系分別進(jìn)行規(guī)則化和分解化處理,并探究數(shù)據(jù)稀疏程度與推薦精確度的關(guān)系;對基于時間效應(yīng)的興趣進(jìn)化策略進(jìn)行顯式信息的興趣更新和隱式信息的長短期興趣更新,并融合這兩種算法進(jìn)行測試。最后對實(shí)驗(yàn)結(jié)果分析,對比各種算法的推薦精確率和召回率。通過以上幾個方面的研究及其相關(guān)實(shí)驗(yàn),本文提出的兩種算法在一定程度上有效彌補(bǔ)了協(xié)同推薦的不足:基于隱語義模型的協(xié)同過濾算法,在稀疏數(shù)據(jù)情況下對算法的精確性有較大提高;而基于時間效應(yīng)的興趣進(jìn)化策略則緩解了漂移問題,也提高了推薦結(jié)果的精確性。兩者結(jié)合的效果更為明顯,到達(dá)了本文的研究目的。
【關(guān)鍵詞】：SaaS 多租戶 動態(tài)推薦 數(shù)據(jù)稀疏 興趣漂移
【學(xué)位授予單位】：遼寧大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP393.09;TP391.3
【目錄】：

• 摘要4-6
• ABSTRACT6-12
• 第1章 緒論12-17
• 1.1 研究背景和意義12-13
• 1.2 國內(nèi)外研究現(xiàn)狀13-15
• 1.3 論文的主要內(nèi)容15-16
• 1.4 論文結(jié)構(gòu)16-17
• 第2章 相關(guān)研究工作概述17-31
• 2.1 SAAS與多租戶技術(shù)17-22
• 2.1.1 SaaS軟件服務(wù)17-18
• 2.1.2 SaaS的優(yōu)勢及成熟度模型18-21
• 2.1.3 多租戶技術(shù)特點(diǎn)21-22
• 2.2 動態(tài)推薦算法研究進(jìn)展22-27
• 2.2.1 用戶建模方案22-23
• 2.2.2 個性化推薦技術(shù)23-25
• 2.2.3 推薦結(jié)果的評測指標(biāo)25-27
• 2.3 協(xié)同過濾算法面臨的挑戰(zhàn)27-30
• 2.3.1 協(xié)同過濾技術(shù)概述27-28
• 2.3.2 數(shù)據(jù)稀疏性問題28-29
• 2.3.3 興趣漂移問題29-30
• 2.4 本章小結(jié)30-31
• 第3章 一種基于隱語義模型的協(xié)同推薦算法31-43
• 3.1 SAAS服務(wù)推薦中問題描述與分析31-33
• 3.2 算法的設(shè)計思路33-35
• 3.3 算法的詳細(xì)步驟35-41
• 3.4 基于隱語義模型推薦算法的實(shí)現(xiàn)41-42
• 3.5 本章小結(jié)42-43
• 第4章 基于時間效應(yīng)的興趣進(jìn)化策略43-57
• 4.1 興趣進(jìn)化策略的設(shè)計思路43-44
• 4.2 興趣更新算法詳細(xì)步驟44-54
• 4.2.1 基于顯式信息的興趣進(jìn)化算法44-47
• 4.2.2 基于隱式信息的興趣進(jìn)化算法47-50
• 4.2.3 基于時間效應(yīng)的興趣模型統(tǒng)一化處理50-54
• 4.3 基于時間效應(yīng)的興趣進(jìn)化策略的實(shí)現(xiàn)54-56
• 4.4 本章小結(jié)56-57
• 第5章 實(shí)驗(yàn)與結(jié)果分析57-64
• 5.1 實(shí)驗(yàn)環(huán)境和測試要求57
• 5.1.1 實(shí)驗(yàn)環(huán)境57
• 5.1.2 測試要求57
• 5.2 實(shí)驗(yàn)和結(jié)果分析57-63
• 5.3 本章小結(jié)63-64
• 第6章 總結(jié)和展望64-66
• 6.1 工作總結(jié)64-65
• 6.2 展望65-66
• 致謝66-67
• 參考文獻(xiàn)67-71
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文及參加科研情況71-72

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 余力,劉魯,羅掌華;我國電子商務(wù)推薦策略的比較分析[J];系統(tǒng)工程理論與實(shí)踐;2004年08期

，

本文編號：1134221