本文選題：推薦算法　切入點(diǎn)：協(xié)同過濾　出處：《浙江大學(xué)》2012年碩士論文

【摘要】：互聯(lián)網(wǎng)內(nèi)容和商業(yè)化的不斷發(fā)展,一方面帶給用戶方便的娛樂、消費(fèi)方式,另一方面也帶給了用戶嚴(yán)重的信息過載問題。用戶受困于過量的信息、過量的商品選擇,將要花費(fèi)更多的時(shí)間來瀏覽備選信息,卻有可能因?yàn)槭芟薜男畔⑻幚砟芰ψ龀龈畹倪x擇。搜索引擎在一定程度上緩解了信息過載,但需要用戶非常明確的知道自己的選擇,并不能幫助用戶做決策。推薦系統(tǒng)正是為了幫助用戶決策而產(chǎn)生。 本文主要對(duì)如何提升推薦系統(tǒng)的預(yù)測準(zhǔn)確性進(jìn)行深入研究。我們將此處的混合推薦定義為多個(gè)推薦預(yù)測器的混合,本文認(rèn)為,因?yàn)椴煌A(yù)測器模型的基本假設(shè)和側(cè)重點(diǎn)不同,將他們混合將有助于最終的預(yù)測性能。首先我們建立多個(gè)經(jīng)典協(xié)同過濾算法模型,并且根據(jù)特定應(yīng)用環(huán)境進(jìn)行時(shí)效擴(kuò)展,之后將這些算法模型進(jìn)行統(tǒng)一的、用戶無關(guān)的混合。觀察到這相較于獨(dú)立預(yù)測器有性能提高,但是對(duì)于不同用戶性能差異很大。于是我們提出利用多任務(wù)學(xué)習(xí)機(jī)制,充分考慮不同用戶的個(gè)性特征,建立起用戶相關(guān)的混合模型,主要表現(xiàn)為對(duì)于不同用戶具有不同的預(yù)測器權(quán)重向量。為減少計(jì)算復(fù)雜度,我們還進(jìn)行了用戶聚類,并考察對(duì)性能的影響。 我們?cè)敿?xì)描述了實(shí)驗(yàn)設(shè)計(jì)。實(shí)驗(yàn)證明,進(jìn)行區(qū)分用戶的混合模型建模有助于預(yù)測準(zhǔn)確性的提高。但是考慮更有商業(yè)價(jià)值的覆蓋率／命中率考察指標(biāo)時(shí),發(fā)現(xiàn)我們的算法并沒有實(shí)質(zhì)性的進(jìn)步。這啟示我們進(jìn)行下一步的研究。
[Abstract]:With the continuous development of Internet content and commercialization, on the one hand, it brings users convenient entertainment and consumption mode, on the other hand, it also brings serious information overload problems to users.Users are trapped in excessive information, excessive choice of goods, will spend more time to browse alternative information, but may make worse choices because of limited information processing capacity.The search engine alleviates the information overload to some extent, but needs the user to know his choice very clearly, can not help the user to make the decision.Recommendation systems are created to help users make decisions.This paper focuses on how to improve the prediction accuracy of recommendation system.We define the hybrid recommendation here as a mixture of multiple recommendation predictors. In this paper we think that mixing different predictors will contribute to the final prediction performance because of the different basic assumptions and different emphases of different predictor models.Firstly, we build several classical collaborative filtering algorithms and extend them according to the specific application environment. Then we combine these models into a unified, user-independent mixture.It is observed that the performance is improved compared with the independent predictor, but the performance varies greatly for different users.So we propose to use the multi-task learning mechanism to fully consider the personality characteristics of different users and establish a user-related hybrid model which is mainly represented by different predictor weight vectors for different users.To reduce computational complexity, we also perform user clustering and investigate the effect on performance.We describe the experimental design in detail.It is proved by experiments that the mixed model can improve the prediction accuracy.But when we consider the coverage / hit ratio of more commercial value, we find that our algorithm has not made substantial progress.This enlightens us to carry on the next research.
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2012
【分類號(hào)】：TP391.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 蘇一丹;王育才;顧新一;;基于獨(dú)特型人工免疫網(wǎng)絡(luò)的并行推薦算法的研究[J];計(jì)算機(jī)應(yīng)用;2008年05期

2 李聰;梁昌勇;董珂;;基于項(xiàng)目類別相似性的協(xié)同過濾推薦算法[J];合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年03期

3 趙智;時(shí)兵;;改進(jìn)的個(gè)性化推薦算法[J];長春大學(xué)學(xué)報(bào);2005年06期

4 李聰;梁昌勇;;基于屬性值偏好矩陣的協(xié)同過濾推薦算法[J];情報(bào)學(xué)報(bào);2008年06期

5 張曉云;李慧;王霞;;基于視覺信息的個(gè)性化圖像搜索排名技術(shù)[J];黑龍江科技信息;2009年31期

6 李聰;梁昌勇;楊善林;;電子商務(wù)協(xié)同過濾稀疏性研究:一個(gè)分類視角[J];管理工程學(xué)報(bào);2011年01期

7 李濤;王建東;葉飛躍;馮新宇;張有東;;一種基于用戶聚類的協(xié)同過濾推薦算法[J];系統(tǒng)工程與電子技術(shù);2007年07期

8 嵇曉聲;劉宴兵;羅來明;;協(xié)同過濾中基于用戶興趣度的相似性度量方法[J];計(jì)算機(jī)應(yīng)用;2010年10期

9 李忠俊;周啟海;帥青紅;;一種基于內(nèi)容和協(xié)同過濾同構(gòu)化整合的推薦系統(tǒng)模型[J];計(jì)算機(jī)科學(xué);2009年12期

10 魯培;;一種改進(jìn)的基于項(xiàng)目聚類的協(xié)同過濾推薦算法[J];科技傳播;2011年01期

相關(guān)會(huì)議論文 前10條

1 陶紅亮;王明文;曹瑛;;基于項(xiàng)目平滑和聚類的協(xié)同過濾推薦算法[A];第二十三屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2006年

2 周軍鋒;湯顯;郭景峰;;一種優(yōu)化的協(xié)同過濾推薦算法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2004年

3 黃創(chuàng)光;印鑒;汪靜;劉玉葆;王甲海;;不確定近鄰的協(xié)同過濾推薦算法[A];NDBC2010第27屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集A輯一[C];2010年

4 李建國;姚良超;湯庸;郭歡;;基于認(rèn)知度的協(xié)同過濾推薦算法[A];第26屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（B輯）[C];2009年

5 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個(gè)性化推薦算法[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2007年

6 梁莘q，

本文編號(hào)：1715247