【摘要】：移動(dòng)互聯(lián)網(wǎng)近年來的迅速發(fā)展促使推薦系統(tǒng)技術(shù)在學(xué)術(shù)界和工業(yè)界都受到空前的關(guān)注。推薦算法的研究不再僅僅停留在推薦精度、指標(biāo)權(quán)衡、冷啟動(dòng)等經(jīng)典推薦問題,移動(dòng)互聯(lián)網(wǎng)環(huán)境的高度稀疏數(shù)據(jù)、大規(guī)模運(yùn)算性能等障礙,多維信息的綜合利用,以及推薦模型的可控性和適用性同樣成為研究焦點(diǎn)。本課題首先針對(duì)目前主流的協(xié)同過濾技術(shù)(CF)進(jìn)行研究,設(shè)計(jì)了雙重去中心化相關(guān)性距離,一種基于相似度距離的關(guān)系矩陣計(jì)算方法。該算法在數(shù)據(jù)敏感度和模型適應(yīng)性上優(yōu)于傳統(tǒng)的調(diào)整后余弦距離和皮爾森距離。繼而,針對(duì)協(xié)同過濾技術(shù)遷移至移動(dòng)互聯(lián)網(wǎng)時(shí)面臨的數(shù)據(jù)稀疏和運(yùn)算性能低下兩種問題,提出了解決方案。該解決方案包括1)利用數(shù)據(jù)分布規(guī)律設(shè)計(jì)基于影響力的計(jì)算優(yōu)化方法,和2)基于CF-I和CF-U算法中較為成熟的最近鄰思想對(duì)本不適用的Slope-One模型設(shè)計(jì)近似k最近鄰的Slope-One改進(jìn)算法。本課題發(fā)現(xiàn)電影評(píng)分平臺(tái)MovieLens和移動(dòng)應(yīng)用市場(chǎng)AppDL的用戶行為存在一致規(guī)律:用戶往往在一段時(shí)期內(nèi)具有較為穩(wěn)定的興趣偏好,經(jīng)常在數(shù)周之內(nèi)保持較為固定的關(guān)注焦點(diǎn)�；谠撘�(guī)律以及上述協(xié)同過濾模型的改進(jìn)算法,通過引入物品分類數(shù)據(jù),設(shè)計(jì)了基于多維信息環(huán)境下的多分類列表調(diào)整算法的“嵌套型”推薦模型。該模型具有以下幾點(diǎn)優(yōu)勢(shì):1)可以作用于絕大多數(shù)推薦算法并提高推薦性能;2)提供可控的列表調(diào)整過程并產(chǎn)生傾向于不同指標(biāo)提升的多種推薦模式;3)提出通過歷史評(píng)估數(shù)據(jù)計(jì)算統(tǒng)一評(píng)估標(biāo)準(zhǔn)的需求量化方法;4)自動(dòng)學(xué)習(xí)適合特定推薦目標(biāo)的最優(yōu)化推薦模式;5)支持多分類和多標(biāo)簽組合分類的數(shù)據(jù)場(chǎng)景并提供更為精確的模糊分類結(jié)果;6)模型的附加開銷低于0(uilog2 i)。
【圖文】：

隨后以不同的時(shí)間點(diǎn)做切割，觀察在兩個(gè)月之中隨著時(shí)間的推移各個(gè)組內(nèi)的逡逑用戶累計(jì)關(guān)注的游戲分類數(shù)（動(dòng)作類、飛行類、策略類等總共１７種分類）的變逡逑化情況。圖２－２邋（ａ）？（ｅ）展示了邋５組用戶分別在不同時(shí)間切割點(diǎn)時(shí)，有多少用逡逑戶關(guān)注了多少游戲分類（至少１個(gè)至多１７個(gè)）的統(tǒng)計(jì)數(shù)值。橫坐標(biāo)為，隨著時(shí)逡逑間的推移所發(fā)生的交互記錄數(shù)占兩個(gè)月記錄總量的比值，從５０％以５％為增量增逡逑至７５％，縱坐標(biāo)為用戶數(shù)量。例如在圖２－２邋（ａ）中橫坐標(biāo)為５０°／。時(shí)的藍(lán)色柱形，，逡逑表示在Ａ組用戶中當(dāng)交互記錄累計(jì)到總量（兩個(gè)月）的５０％時(shí)，仍只保持關(guān)注１逡逑個(gè)游戲分類的用戶數(shù)只有不到２０人。逡逑可以很明顯的發(fā)現(xiàn)，百分之百的用戶在這兩個(gè)月內(nèi)的關(guān)注焦點(diǎn)不超過８?jìng)�(gè)分逡逑類，對(duì)于絕大部分用戶當(dāng)數(shù)據(jù)量不超過６０％時(shí)，用戶的關(guān)注焦點(diǎn)都集中在５個(gè)分逡逑類以內(nèi)，而當(dāng)數(shù)據(jù)量不超過５０％時(shí)則可限制在４個(gè)分類之內(nèi)。更有趣的是，當(dāng)用逡逑戶的交互頻率與交互次數(shù)上升時(shí)

Ｐｅａｒｓｏｎ邋Ｃｏｒｒｅｌａｔｉｏｎ邋Ｓｉｍｉｌａｒｉｔｙ邋＝邐．邐＝＝：邐（２．９）逡逑Ｊｌｌｕｅｌ］（Ｒｕ，ｘ－Ｒｘ）邋ＪＺｕｅｖ（Ｒｕ．ｙ￣Ｒｙ）逡逑其中Ｒｕ，；ｃ指代用戶》對(duì)物品ｘ的評(píng)分情況，５。表示用戶ｗ對(duì)所有產(chǎn)生過打分逡逑行為的物品的評(píng)分均值，而豆；＾表示物品Ｘ所接受到的所有評(píng)分的均值水平。其實(shí)逡逑不難理解，假設(shè)現(xiàn)在存在一個(gè)用戶Ａ對(duì)物品１和物品２的評(píng)分分別為逡逑１分和２分，類似的另一位用戶Ｂ對(duì)物品１和物品２的評(píng)分ＲｕＲｗ／Ａ別為２逡逑分和１分，如圖２－３所示。那么圖中ｚｅｅ的余弦值便是一般的余弦相似距離，所以逡逑不難看出只有當(dāng)兩個(gè)評(píng)分向量之間的夾角越小時(shí)他們之間的余弦相似距離才會(huì)逡逑越大，反之亦然。而余弦相似距離的值域是［０，１］，接近１時(shí)表示有較高的相似程逡逑度和接近０時(shí)表示評(píng)分向量的相似程度極低。值得一提的是，圖中的綠色虛線部逡逑分便是這兩個(gè)評(píng)分向量的歐氏距離（Ｅｕｃｌｉｄｅａｎ邋Ｄｉｓｔａｎｃｅ）。然而，可以很直觀的逡逑看出只有當(dāng)兩個(gè)評(píng)分向量完全相等時(shí)才能取得最大的歐氏相似度，這顯然是不合逡逑理的。同時(shí)，歐氏距離對(duì)于打分趨勢(shì)是完全不敏感的，這是余弦相似距離相對(duì)于逡逑歐氏距離的優(yōu)勢(shì)所在。這也導(dǎo)致歐氏相似距離的適用場(chǎng)景相當(dāng)局限，而目前很少逡逑在實(shí)際推薦模型得到應(yīng)用。逡逑
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.3

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 羅辛;歐陽元新;熊璋;袁滿;;通過相似度支持度優(yōu)化基于K近鄰的協(xié)同過濾算法[J];計(jì)算機(jī)學(xué)報(bào);2010年08期

本文編號(hào)：2569427