隨著信息技術(shù)和互聯(lián)網(wǎng)的普及和迅猛發(fā)展,各種創(chuàng)新性的互聯(lián)網(wǎng)服務(wù)已發(fā)展成為與人類生產(chǎn)、生活的各個方面密切相關(guān)的重要組成部分。全球數(shù)據(jù)規(guī)模的井噴式激增,將現(xiàn)代社會推入了信息過載的新時期。面對浩如煙海的數(shù)據(jù),人類如何能夠借助智能技術(shù)和工具將自身解放出來,為其主動獲取、發(fā)現(xiàn)并推送與個人興趣偏好相一致的產(chǎn)品和服務(wù),已經(jīng)成為一個重要的研究課題。推薦系統(tǒng)發(fā)展至今,協(xié)同過濾技術(shù)是推薦系統(tǒng)中應(yīng)用最成功、使用最廣泛的技術(shù)之一。但是,在真實應(yīng)用環(huán)境下,由于用戶行為的復(fù)雜性和數(shù)據(jù)類型的不斷豐富等情況,傳統(tǒng)的協(xié)同過濾推薦技術(shù)在相似度計算的準(zhǔn)確性、對級排序方法中相對偏好關(guān)系的有效性、隱式反饋的偏好表達不對稱性以及多種類型隱式反饋的不確定性等方面仍面臨諸多新的問題和挑戰(zhàn)。本文主要針對以上問題開展研究工作,主要工作和創(chuàng)新成果總結(jié)為以下幾個方面:1.本文提出了一種融合多種用戶行為重合依賴度的協(xié)同過濾推薦算法。針對因公共評分?jǐn)?shù)量偏少造成傳統(tǒng)相似度計算方法的準(zhǔn)確性出現(xiàn)偏差的問題,本文將局部評分重合度和在全體評分?jǐn)?shù)據(jù)中的全局依賴度進行結(jié)合,提出了新的基于重合依賴度的相似度計算方法。同時,引入兩種用戶行為,探索使用不同類型的顯式...

【文章頁數(shù)】：167 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
Abstract
縮寫符號對照表
1 緒論
    1.1 研究背景和意義
    1.2 推薦系統(tǒng)面臨的主要問題和挑戰(zhàn)
        1.2.1 數(shù)據(jù)稀疏性問題
        1.2.2 基于隱式反饋的推薦技術(shù)存在問題
    1.3 論文的研究內(nèi)容
    1.4 論文的組織結(jié)構(gòu)
2 協(xié)同過濾推薦技術(shù)相關(guān)研究綜述
    2.1 推薦系統(tǒng)概述
        2.1.1 推薦系統(tǒng)的相關(guān)定義
        2.1.2 常用推薦算法的分類
    2.2 協(xié)同過濾推薦算法
        2.2.1 基本工作原理
        2.2.2 基于近鄰的協(xié)同過濾推薦算法
        2.2.3 基于矩陣分解的協(xié)同過濾推薦算法
        2.2.4 基于隱式反饋的排序?qū)W習(xí)推薦算法
    2.3 “名醫(yī)網(wǎng)”健康服務(wù)平臺介紹及數(shù)據(jù)集說明
        2.3.1 “名醫(yī)網(wǎng)”健康服務(wù)平臺基本情況介紹
        2.3.2 數(shù)據(jù)集說明
    2.4 推薦系統(tǒng)評測指標(biāo)
        2.4.1 評分預(yù)測準(zhǔn)確度
        2.4.2 Top-N推薦準(zhǔn)確度
        2.4.3 排序準(zhǔn)確度
    2.5 本章小結(jié)
3 融合多種用戶行為重合依賴度的協(xié)同過濾推薦算法
    3.1 引言
    3.2 傳統(tǒng)相似度計算存在的問題
    3.3 融合多種用戶行為重合依賴度的協(xié)同過濾推薦算法
        3.3.1 基于重合依賴度的相似度計算方法
        3.3.2 融合多種用戶行為重合依賴度的協(xié)同過濾推薦算法
        3.3.3 算法描述
    3.4 實驗與分析
        3.4.1 數(shù)據(jù)集說明
        3.4.2 評價指標(biāo)與實驗說明
        3.4.3 傳統(tǒng)相似度計算方法的預(yù)測準(zhǔn)確度對比
        3.4.4 基于重合依賴度的相似度計算方法預(yù)測準(zhǔn)確度對比
        3.4.5 權(quán)重因子的影響
        3.4.6 與其他算法的預(yù)測準(zhǔn)確度對比
    3.5 本章小結(jié)
4 基于混合類型項目集對級偏好的排序?qū)W習(xí)推薦算法
    4.1 引言
    4.2 問題描述
        4.2.1 相關(guān)定義
        4.2.2 基于混合類型項目集對級偏好的排序?qū)W習(xí)問題定義
    4.3 基于混合類型項目集對級偏好的排序?qū)W習(xí)推薦算法
        4.3.1 模型假設(shè)
        4.3.2 模型構(gòu)建
        4.3.3 模型訓(xùn)練和參數(shù)學(xué)習(xí)
    4.4 實驗與分析
        4.4.1 數(shù)據(jù)集說明
        4.4.2 評價指標(biāo)
        4.4.3 對比算法
        4.4.4 參數(shù)設(shè)置
        4.4.5 性能對比
        4.4.6 項目集合大小的影響
        4.4.7 混合類型項目集合中不同類型項目占比的影響
    4.5 本章小結(jié)
5 基于多關(guān)系隱式反饋的排序?qū)W習(xí)推薦算法
    5.1 引言
    5.2 問題描述
        5.2.1 相關(guān)定義
        5.2.2 基于多關(guān)系隱式反饋的排序?qū)W習(xí)問題定義
    5.3 基于多關(guān)系隱式反饋的排序?qū)W習(xí)推薦算法
        5.3.1 模型偏好假設(shè)
        5.3.2 模型構(gòu)建
        5.3.3 輔助系數(shù)的計算方法
        5.3.4 模型訓(xùn)練和參數(shù)學(xué)習(xí)
    5.4 實驗與分析
        5.4.1 數(shù)據(jù)集說明
        5.4.2 評價指標(biāo)
        5.4.3 對比算法
        5.4.4 參數(shù)設(shè)置
        5.4.5 性能對比
        5.4.6 模型偏好假設(shè)的影響
        5.4.7 輔助系數(shù)m_uik的影響
    5.5 本章小結(jié)
6 基于多關(guān)系隱式反饋置信度的排序?qū)W習(xí)推薦算法
    6.1 引言
    6.2 問題描述
        6.2.1 相關(guān)定義
        6.2.2 基于多關(guān)系隱式反饋置信度的排序?qū)W習(xí)問題定義
    6.3 基于多關(guān)系隱式反饋置信度的排序?qū)W習(xí)推薦算法
        6.3.1 模型構(gòu)建
        6.3.2 置信度計算
        6.3.3 模型訓(xùn)練和參數(shù)學(xué)習(xí)
    6.4 實驗與分析
        6.4.1 數(shù)據(jù)集說明
        6.4.2 評價指標(biāo)
        6.4.3 對比算法
        6.4.4 參數(shù)設(shè)置
        6.4.5 性能對比
        6.4.6 置信度計算方法的影響
        6.4.7 不同閾值取值的影響
    6.5 本章小結(jié)
7 總結(jié)與展望
    7.1 論文總結(jié)
    7.2 研究展望
參考文獻
個人簡歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文與研究成果
致謝



本文編號：3922641