推薦系統(tǒng)是現(xiàn)代信息系統(tǒng)的重要組成部分,一直是機(jī)器學(xué)習(xí)、信息檢索等領(lǐng)域的研究熱點(diǎn)。隨著Web2.0技術(shù)的發(fā)展,社會(huì)標(biāo)簽系統(tǒng)因其具有共享性、描述性和互動(dòng)性等特點(diǎn)而得到廣泛應(yīng)用。與傳統(tǒng)系統(tǒng)的推薦應(yīng)用相比,社會(huì)標(biāo)簽系統(tǒng)中既可以使用社會(huì)標(biāo)簽又可以使用評(píng)分信息進(jìn)行推薦,從而大大提高了推薦結(jié)果的可解釋性和精確性,但是基于社會(huì)標(biāo)簽系統(tǒng)的推薦技術(shù)尚處在發(fā)展的初級(jí)階段,傳統(tǒng)的推薦方法在社會(huì)標(biāo)簽系統(tǒng)的新背景下存在一定的局限性,主要體現(xiàn)在:(1)無(wú)法有效地在社會(huì)標(biāo)簽系統(tǒng)范圍內(nèi)根據(jù)社會(huì)標(biāo)簽和評(píng)分信息感知用戶興趣的變化;(2)無(wú)法有效地利用社會(huì)標(biāo)簽系統(tǒng)的社會(huì)性特征和用戶興趣主題的多粒度性精確發(fā)現(xiàn)用戶興趣社區(qū);(3)無(wú)法有效地將社會(huì)標(biāo)簽與評(píng)分信息融合并進(jìn)行個(gè)性化推薦。本文以提高社會(huì)標(biāo)簽系統(tǒng)中個(gè)性化推薦的質(zhì)量為目標(biāo),使用主題模型、狀態(tài)空間模型和矩陣分解等相關(guān)理論與方法,研究了社會(huì)標(biāo)簽系統(tǒng)環(huán)境下個(gè)性化推薦問(wèn)題,目的在于進(jìn)一步豐富和完善基于社會(huì)標(biāo)簽系統(tǒng)的個(gè)性化推薦理論與方法,增強(qiáng)個(gè)性化推薦算法的實(shí)用性和靈活性。具體地,本文開展以下幾個(gè)部分的研究:(1)用戶興趣漂移感知方法研究。針對(duì)目前社會(huì)標(biāo)簽系統(tǒng)中在時(shí)間上不加區(qū)分地將全...

【文章頁(yè)數(shù)】：127 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究目的及意義
    1.2 研究方法與技術(shù)路線
    1.3 研究?jī)?nèi)容與論文結(jié)構(gòu)
        1.3.1 本論文的術(shù)語(yǔ)定義
        1.3.2 研究?jī)?nèi)容
        1.3.3 論文結(jié)構(gòu)
2 國(guó)內(nèi)外研究綜述
    2.1 基于社會(huì)標(biāo)簽系統(tǒng)的推薦模式分析
        2.1.1 傳統(tǒng)的推薦方法
        2.1.2 基于社會(huì)標(biāo)簽系統(tǒng)的個(gè)性化推薦問(wèn)題分析
        2.1.3 社會(huì)標(biāo)簽系統(tǒng)中用戶標(biāo)注行為和評(píng)分行為分析
    2.2 用戶興趣漂移感知方法研究進(jìn)展
        2.2.1 基于社會(huì)標(biāo)簽的感知方法
        2.2.2 基于評(píng)分信息的感知方法
    2.3 興趣社區(qū)發(fā)現(xiàn)方法研究進(jìn)展
        2.3.1 社區(qū)發(fā)現(xiàn)策略相關(guān)研究
        2.3.2 基于社區(qū)發(fā)現(xiàn)的推薦方法相關(guān)研究
    2.4 社會(huì)標(biāo)簽與評(píng)分信息融合方法研究進(jìn)展
    2.5 國(guó)內(nèi)外相關(guān)研究小結(jié)
    2.6 本章小結(jié)
3 用戶興趣漂移感知方法研究
    3.1 問(wèn)題分析及描述
    3.2 用戶興趣主題漂移感知方法
        3.2.1 常用的主題模型分析
        3.2.2 算法描述
        3.2.3 近似推理
        3.2.4 實(shí)驗(yàn)設(shè)計(jì)與分析
    3.3 用戶興趣程度漂移感知方法
        3.3.1 概率矩陣分解
        3.3.2 算法描述
        3.3.3 實(shí)驗(yàn)設(shè)計(jì)與分析
    3.4 本章小結(jié)
4 多粒度興趣社區(qū)發(fā)現(xiàn)方法研究
    4.1 問(wèn)題分析及描述
    4.2 主題粒度興趣社區(qū)發(fā)現(xiàn)方法
        4.2.1 構(gòu)建興趣主題網(wǎng)絡(luò)
        4.2.2 算法描述
        4.2.3 實(shí)驗(yàn)設(shè)計(jì)與分析
    4.3 標(biāo)簽粒度興趣社區(qū)發(fā)現(xiàn)方法
        4.3.1 構(gòu)建標(biāo)簽共現(xiàn)網(wǎng)絡(luò)
        4.3.2 算法描述
        4.3.3 實(shí)驗(yàn)設(shè)計(jì)與分析
    4.4 本章小結(jié)
5 融合社會(huì)標(biāo)簽和評(píng)分信息的個(gè)性化推薦方法研究
    5.1 問(wèn)題分析及描述
    5.2 興趣主題級(jí)別的標(biāo)簽和評(píng)分融合算法
        5.2.1 基于標(biāo)簽權(quán)重相似性的近鄰選擇
        5.2.2 融合PMF的用戶和項(xiàng)目的近鄰選擇
        5.2.3 實(shí)驗(yàn)設(shè)計(jì)與分析
    5.3 屬性級(jí)別的標(biāo)簽和評(píng)分融合算法
        5.3.1 基于標(biāo)簽權(quán)重相似性的近鄰選擇
        5.3.2 聯(lián)合概率矩陣分解模型
        5.3.3 實(shí)驗(yàn)設(shè)計(jì)與分析
    5.4 本章小結(jié)
6 推薦系統(tǒng)應(yīng)用研究
    6.1 系統(tǒng)需求分析
    6.2 系統(tǒng)設(shè)計(jì)
        6.2.1 整體結(jié)構(gòu)設(shè)計(jì)
        6.2.2 功能模塊設(shè)計(jì)
        6.2.3 數(shù)據(jù)庫(kù)設(shè)計(jì)
    6.3 系統(tǒng)構(gòu)建
        6.3.1 開發(fā)環(huán)境
        6.3.2 數(shù)據(jù)清洗
        6.3.3 推薦流程
        6.3.4 關(guān)鍵模塊分析
    6.4 本章小結(jié)
7 結(jié)論和展望
    7.1 研究總結(jié)
    7.2 創(chuàng)新點(diǎn)
    7.3 展望
參考文獻(xiàn)
攻讀博士學(xué)位期間科研項(xiàng)目及科研成果
致謝
作者簡(jiǎn)介



本文編號(hào)：3800899