推薦系統(tǒng),作為挖掘用戶歷史數(shù)據(jù)的重要工具之一,已經(jīng)被廣泛應用于商業(yè)化平臺。然而在過去的研究中,人們關(guān)注的推薦系統(tǒng)性能絕大多數(shù)都集中于準確率,導致熱門商品被大量堆砌在用戶面前,整體推薦結(jié)果同質(zhì)化嚴重,因此多樣性也開始成為業(yè)界衡量推薦算法質(zhì)量的重要評價指標之一。目前評估推薦列表或推薦系統(tǒng)多樣性的方法大多集中于對項目之間或者列表之間的不相似度簡單地求均值的過程,這樣的評價方法不足以充分反映推薦(列表)系統(tǒng)多樣性細節(jié)。與此同時,大部分推薦算法在推薦過程中,只考慮了評分信息,沒有利用用戶和項目的屬性信息,而在利用評分進行推薦時,又只關(guān)心評分數(shù)值的大小,忽略了其在項目的所有用戶評分中的排名。本文立足于推薦系統(tǒng)的多樣性,針對列表級和系統(tǒng)級評價問題,提出了兩種改進的方法及相應指標;針對屬性信息和評分排名問題,提出了一種結(jié)合屬性嵌入神經(jīng)網(wǎng)絡和二次排序的多樣性優(yōu)化推薦算法。本文的主要工作如下:(1)針對列表級評價中項目位置和流行度帶來的影響,提出了結(jié)合歸一化累積表現(xiàn)-位置因子積的多樣性評價方法以及NCIP指標。NCIP指標吸收了新穎性指標和NDCG指標的思想,結(jié)合歸一化項目流行度和推薦列表中的位置信息作為...

【文章頁數(shù)】：85 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 引言
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 多樣性評價方法
        1.2.2 多樣性優(yōu)化算法
    1.3 論文主要工作及創(chuàng)新點
    1.4 論文主要安排
2 推薦系統(tǒng)及算法
    2.1 推薦系統(tǒng)基本架構(gòu)
    2.2 常見離線推薦算法
        2.2.1 協(xié)同過濾推薦算法
        2.2.2 基于矩陣分解的推薦算法
        2.2.3 基于內(nèi)容的推薦算法
        2.2.4 基于社交網(wǎng)絡的推薦算法
    2.3 推薦系統(tǒng)離線測評方法及指標
        2.3.1 準確率相關(guān)指標
        2.3.2 多樣性相關(guān)指標
    2.4 本章小結(jié)
3 多樣性評價方法及指標改進
    3.1 問題描述
        3.1.1 歸一化項目流行度和用戶活躍度
        3.1.2 項目集和用戶集劃分
    3.2 結(jié)合歸一化累積表現(xiàn)-位置因子積的多樣性評價方法
        3.2.1 多樣性表現(xiàn)-位置因子積
        3.2.2 評價方法及指標設計
    3.3 結(jié)合多樣性需求因子和準確率的多樣性評價方法
        3.3.1 多樣性需求因子
        3.3.2 評價方法及指標設計
    3.4 多樣性指標評價能力仿真
    3.5 本章小結(jié)
4 結(jié)合屬性嵌入神經(jīng)網(wǎng)絡和二次排序的多樣性優(yōu)化推薦算法
    4.1 問題描述
    4.2 預處理與詞嵌入
        4.2.1 數(shù)據(jù)預處理
        4.2.2 詞嵌入思想
    4.3 屬性嵌入神經(jīng)網(wǎng)絡推薦模型
        4.3.1 模型框架
        4.3.2 卷積層和池化層
        4.3.3 dropout和全連接層
        4.3.4 模型訓練
    4.4 逆向推薦和二次排序
        4.4.1 逆向推薦
        4.4.2 二次排序
    4.5 仿真結(jié)果與分析
        4.5.1 算法參數(shù)分析
        4.5.2 算法多樣性分析
    4.6 本章小結(jié)
5 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 研究工作展望
參考文獻
作者簡歷及攻讀碩士學位期間取得的研究成果
學位論文數(shù)據(jù)集



本文編號：3881536