【摘要】：互聯(lián)網(wǎng)應(yīng)用快速發(fā)展帶來信息和數(shù)據(jù)的爆炸式增長。推薦系統(tǒng)在這樣的背景下誕生,能夠幫助用戶快速有效地在海量數(shù)據(jù)中獲取信息,并逐漸成為緩解信息過載問題的重要工具之一。推薦系統(tǒng)的關(guān)鍵是個性化推薦算法,個性化推薦算法根據(jù)用戶背景信息和行為信息的不同產(chǎn)生不同的推薦結(jié)果,滿足用戶個性化需求。并且當(dāng)用戶需求不明確時,個性化推薦算法能夠主動定位用戶需求并提供特殊定制的推薦服務(wù)。雖然個性化推薦技術(shù)發(fā)展迅速,但仍存在許多亟待解決的問題,例如實時性差、數(shù)據(jù)稀疏、可擴(kuò)展性差等問題。本文分別介紹了基于協(xié)同過濾、基于內(nèi)容和混合推薦算法,并針對基于Bandit模型和基于概率分解模型的推薦算法進(jìn)行分析和改進(jìn),提出了不同的改進(jìn)方案。本文主要的研究工作如下:(1)對個性化推薦技術(shù)的研究背景和意義進(jìn)行簡要回顧,并列舉了目前各類推薦算法的研究現(xiàn)狀,概述了推薦系統(tǒng)的形式化定義,詳細(xì)介紹了不同分類的推薦算法,分析了各類推薦算法的原理及優(yōu)缺點,為后面的研究工作提供理論基礎(chǔ)。(2)對傳統(tǒng)的基于Bandit模型的推薦算法進(jìn)行了分析,發(fā)現(xiàn)此類算法易產(chǎn)生馬太效應(yīng)和長尾現(xiàn)象,針對該問題提出一種多目標(biāo)優(yōu)化推薦算法。算法在保證預(yù)測精準(zhǔn)度的基礎(chǔ)上有效地避免馬太效應(yīng),并提高推薦系統(tǒng)對長尾物品的挖掘能力。本文采用YaHoo的新聞推薦數(shù)據(jù)集對算法進(jìn)行實驗和評價,實驗結(jié)果表明多目標(biāo)優(yōu)化推薦算法能夠在預(yù)測準(zhǔn)確率較高的情況下,有效地解決長尾物品發(fā)掘問題,避免馬太效應(yīng),提高推薦系統(tǒng)的精度和廣度。(3)對傳統(tǒng)的基于概率矩陣分解模型的推薦算法進(jìn)行了分析,發(fā)現(xiàn)此類算法沒有同時考慮到用戶屬性信息和物品間關(guān)聯(lián)信息,這些信息也會影響推薦結(jié)果。針對該問題提出一種新的基于協(xié)同過濾的推薦算法,算法將用戶屬性信息和推薦對象間的關(guān)聯(lián)信息應(yīng)用于概率矩陣分解模型。首先,挖掘用戶屬性信息和物品間關(guān)聯(lián)信息,然后將得到的信息融入到基本的概率矩陣分解模型中。采用MovieLens數(shù)據(jù)集來驗證算法優(yōu)劣,實驗結(jié)果表明該算法優(yōu)于現(xiàn)有幾種傳統(tǒng)推薦算法。
【學(xué)位授予單位】：中南民族大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP391.3;TP393.09
【圖文】：

是“ICML 2012 Exploration and Exploitation 3 Challenge”的贏家。本次實驗抽取 40 個用戶，1000 篇文章作為訓(xùn)練集，所有算法的α 取值均為0.2。首先，在圖 3.2 中比較了 MOOB 算法和 LinUCB-ONE、LinUCB-IND、LinUCB-V 算法在同樣條件下的隨著實驗迭代次數(shù)的增加累計遺憾的變化。圖 3.2 YaHoo 數(shù)據(jù)集上累計遺憾結(jié)果比較圖由圖 3.2 可見，MOOB 算法在隨之實驗次數(shù)的增加其累計遺憾值逐漸趨于平穩(wěn)。由于 MOOB 算法在考慮累計遺憾的同時考慮了推薦的多樣性，所以累計遺憾值略高于 LinUCB-V 和 LinUCB-ONE 算法。但是對比和 LinUCB-IND 算法其

圖 3.3 YaHoo 數(shù)據(jù)集上參數(shù)預(yù)估誤差結(jié)果比較圖圖 3.3 可以看到在相同的實驗條件下，MOOB 算法在所有算法中下降最估誤差最小。同時可以觀察到 LinUCB-V 算法雖然在累計遺憾這一指標(biāo)好，但是它的預(yù)估誤差在四種算法中是最大的，這表示 LinUCB-V 算法度上出現(xiàn)了過擬合現(xiàn)象。

圖 3.3 YaHoo 數(shù)據(jù)集上參數(shù)預(yù)估誤差結(jié)果比較圖圖 3.3 可以看到在相同的實驗條件下，MOOB 算法在所有算法中下降最估誤差最小。同時可以觀察到 LinUCB-V 算法雖然在累計遺憾這一指標(biāo)好，但是它的預(yù)估誤差在四種算法中是最大的，這表示 LinUCB-V 算法度上出現(xiàn)了過擬合現(xiàn)象。

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 江周峰;楊俊;鄂海紅;;結(jié)合社會化標(biāo)簽的基于內(nèi)容的推薦算法[J];軟件;2015年01期

2 饒俊陽;賈愛霞;馮巖松;趙東巖;;基于本體結(jié)構(gòu)的新聞個性化推薦[J];北京大學(xué)學(xué)報(自然科學(xué)版);2014年01期

本文編號：2753537