本文關(guān)鍵詞：協(xié)同過濾推薦算法的動態(tài)性研究

  更多相關(guān)文章： 協(xié)同過濾 興趣變化 概率隱語義算法 評分時間窗 推薦系統(tǒng)

【摘要】：互聯(lián)網(wǎng)的迅速發(fā)展為人們生活帶來便利,然而迅速增長的信息也讓人們無所適從,想要從海量信息中發(fā)現(xiàn)對自己有用的信息需要花費大量時間成本。搜索引擎可以幫助人們快速檢索需要的信息,但是很多情況下用戶對信息了解不夠很難選擇合適的搜索關(guān)鍵字。推薦系統(tǒng)的出現(xiàn)改變了這一現(xiàn)狀,推薦系統(tǒng)根據(jù)用戶歷史數(shù)據(jù),利用各種推薦算法計算用戶偏好,主動向用戶推送可能感興趣的信息和商品,有效減少了用戶搜索成本,帶來更好的用戶體驗。 協(xié)同過濾是目前推薦系統(tǒng)中使用最多的推薦算法,它根據(jù)用戶的歷史評分記錄尋找相似的用戶或者相似的物品,用這些臨近用戶或物品來預測用戶評分。盡管協(xié)同過濾取得了很大成功,但是仍然面臨諸多問題,例如冷啟動、數(shù)據(jù)稀疏性、用戶興趣變化等。本文總結(jié)了推薦系統(tǒng)中常見的動態(tài)性因素,并闡述了已有解決動態(tài)性的方案。最后借鑒已有解決方案的思路成功解決了概率隱語義協(xié)同推薦算法無法處理用戶興趣變化的問題。 概率隱語義算法是一種基于語義的協(xié)同推薦算法,通過構(gòu)造一個隱含變量來將用戶興趣和物品屬性映射到隱變量空間,計算各隱變量類別對物品的評分偏好,和用戶屬于各類別的概率,加權(quán)求和得到預測評分。傳統(tǒng)的概率隱語義推薦算法無法處理用戶興趣變化的問題,本論文利用評分時間窗將長期興趣和短期興趣分開建模。長期興趣通過隱語義算法直接得到,短期興趣通過保存一個用戶近期評分物品窗口來近似計算,最后將長期、短期興趣融合。通過實驗證明改進的概率隱語義算法能有效處理用戶興趣變化,獲得更高的推薦準確率。
【關(guān)鍵詞】：協(xié)同過濾 興趣變化 概率隱語義算法 評分時間窗 推薦系統(tǒng)
【學位授予單位】：中國科學技術(shù)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP391.3
【目錄】：

• 摘要5-6
• abstract6-10
• 第1章 緒論10-20
• 1.1 研究背景和研究意義10-12
• 1.1.1 研究背景10-11
• 1.1.2 研究意義11-12
• 1.2 推薦系統(tǒng)研究現(xiàn)狀12-18
• 1.2.1 基于內(nèi)容的推薦算法12-13
• 1.2.2 協(xié)同過濾推薦算法13-14
• 1.2.3 基于信任的推薦算法14-15
• 1.2.4 基于標簽的推薦算法15-16
• 1.2.5 混合算法16-17
• 1.2.6 推薦系統(tǒng)最新研究熱點17-18
• 1.3 論文主要研究內(nèi)容和創(chuàng)新點18-19
• 1.4 論文組織結(jié)構(gòu)19-20
• 第2章 協(xié)同過濾算法介紹20-34
• 2.1 常見協(xié)同過濾算法介紹20-28
• 2.1.1 基于用戶相似性的協(xié)同推薦算法20-22
• 2.1.2 基于項目相似性的協(xié)同推薦算法22-23
• 2.1.3 SlopeOne算法23-24
• 2.1.4 基于用戶-項目網(wǎng)絡關(guān)系的推薦算法24-26
• 2.1.5 矩陣分解26-28
• 2.2 協(xié)同過濾算法遇到的挑戰(zhàn)28-30
• 2.2.1 冷啟動問題28-29
• 2.2.2 數(shù)據(jù)稀疏性29
• 2.2.3 興趣變化29
• 2.2.4 其他問題29-30
• 2.3 協(xié)同過濾算法評價標準30-32
• 2.3.1 準確率30
• 2.3.2 TOP-N推薦標準30-31
• 2.3.3 多樣性和新穎性31
• 2.3.4 覆蓋率31-32
• 2.3.5 其他指標32
• 2.4 本章小結(jié)32-34
• 第3章 協(xié)同過濾算法的動態(tài)性研究34-42
• 3.1 協(xié)同過濾算法面臨的動態(tài)性問題34-35
• 3.1.1 商品的時效性34-35
• 3.1.2 用戶評價標準的變化35
• 3.1.3 用戶興趣變化35
• 3.2 解決動態(tài)性問題的方法分析35-41
• 3.2.1 基于衰減函35-38
• 3.2.2 直接對時間建模38-39
• 3.2.3 興趣漂移檢測39-41
• 3.3 本章小結(jié)41-42
• 第4章 考慮用戶興趣變化的概率隱語義協(xié)同推薦算法42-52
• 4.1 概率隱語義(PLSA)算法42-44
• 4.1.1 算法應用背景42
• 4.1.2 隱語義(LSA)算法42-43
• 4.1.3 概率隱語義算法(PLSA)43-44
• 4.1.4 概率隱語義算法常見應用44
• 4.2 基于PLSA的協(xié)同過濾算法44-47
• 4.2.1 高斯概率隱語義算法與推薦系統(tǒng)44-46
• 4.2.2 高斯概率隱語義算法參數(shù)求解46-47
• 4.3 利用短期興趣建模解決用戶興趣變化問題47-48
• 4.4 DPLSA推薦算法流程描述48
• 4.5 DPLSA推薦算法復雜度分析48-50
• 4.5.1 DPLSA算法的離線復雜度49
• 4.5.2 DPLSA算法的在線復雜度49-50
• 4.6 本章小結(jié)50-52
• 第5章 實驗與結(jié)果分析52-56
• 5.1 實驗數(shù)據(jù)52-53
• 5.1.1 推薦系統(tǒng)常用數(shù)據(jù)集介紹52-53
• 5.1.2 數(shù)據(jù)集特征和預處理53
• 5.2 評價標準53
• 5.3 參數(shù)選擇和試驗結(jié)果分析53-55
• 5.4 實驗結(jié)果對構(gòu)建推薦系統(tǒng)的參考意義55
• 5.5 本章小結(jié)55-56
• 第6章 結(jié)論與展望56-58
• 6.1 論文總結(jié)56-57
• 6.2 未來研究工作57-58
• 參考文獻58-62
• 致謝62-64
• 在讀期間發(fā)表的學術(shù)論文與取得的其他研究成果64

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 鄭先榮;湯澤瀅;曹先彬;;適應用戶興趣變化的非線性逐步遺忘協(xié)同過濾算法[J];計算機輔助工程;2007年02期

2 陳登科;孔繁勝;;基于高斯pLSA模型與項目的協(xié)同過濾混合推薦[J];計算機工程與應用;2010年23期

3 費洪曉;戴弋;穆s，

本文編號：1047890