【摘要】：隨著web2.0的不斷發(fā)展,社會化網(wǎng)絡(luò)中的用戶不斷創(chuàng)造大量的信息。過量的數(shù)據(jù)使得用戶無法有效地獲取自己想要的信息,信息的使用率反而降低,信息過載的問題日益加劇。目前的搜索引擎等技術(shù)只能滿足人們部分的需求,沒有個性化的考慮,仍無法有效地解決這個問題。推薦系統(tǒng)作為一種信息過濾手段,是解決這個問題非常有潛力的方法。因而如何發(fā)展高效的,可擴(kuò)展的,非常精確的推薦算法是一個巨大的挑戰(zhàn)。 評分預(yù)測是推薦系統(tǒng)的一個重要任務(wù),基于對一個完善的推薦系統(tǒng)的追求,本文從從三個方向?qū)υu分預(yù)測問題中的推薦算法進(jìn)行了分析和探索。首先,為了更好利用其他用戶來做社會化的推薦,準(zhǔn)確高效的衡量用戶之間的相似度是一個關(guān)鍵,基于已有方法存在的問題和不足,我們提出了計(jì)數(shù)相似性和相似度傳遞兩種方法。通過實(shí)驗(yàn)我們發(fā)現(xiàn)這兩種方法能夠有效的提升預(yù)測精度和應(yīng)對可擴(kuò)展性問題及數(shù)據(jù)稀疏性問題。其次,基于簡單高效的slope one算法,我們?yōu)樗肓藱C(jī)器學(xué)習(xí)的思想,利用隨機(jī)梯度下降方法調(diào)整權(quán)重和物品偏差,并對評分?jǐn)?shù)據(jù)中包含的明顯的用戶傾向性和物品傾向性特征進(jìn)行建模,使得它的預(yù)測精確度有了很大的提升。最后,我們還分析和探討了推薦系統(tǒng)中三種時間效應(yīng):用戶傾向性隨時間變化,物品傾向性隨時間變化以及用戶興趣隨時間的變化,然后我們分別介紹了我們?nèi)绾卧趕lope one算法的物品偏差矩陣構(gòu)建階段與評分預(yù)測階段應(yīng)用時間維度的信息。通過在兩個數(shù)據(jù)集上的實(shí)驗(yàn),我們發(fā)現(xiàn)合理的使用時間維度的信息,不僅能提升推薦算法的預(yù)測精度,還能在一些情況下減少計(jì)算耗費(fèi)。
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2012
【分類號】：TP391.3
【圖文】：

一個完整的推薦系統(tǒng)主要包含 3 各要素：物品（對象），推薦引擎，用戶，其中推薦引擎通常由 3 個部分組成：1. 用戶行為信息收集模塊；2. 用戶行為處理分析模塊；3. 推薦算法模塊，見圖1 1。推薦算法模塊是最核心的部分。根據(jù)推薦算法的不同，推薦系統(tǒng)可以分為如下幾類： 基于內(nèi)容（content-based）的推薦系統(tǒng)； 基于協(xié)同過濾（collaborative filtering）的推薦系統(tǒng)； 基于用戶 -物品二部圖網(wǎng)絡(luò)結(jié)構(gòu)（network-based）的推薦系統(tǒng)； 混合（hybrid）的推薦系統(tǒng)；— 3 —

感興趣的書籍，馬上會看到頁面下方也會提示“經(jīng)常一起購買的商品”，“購買此商品的顧客也同時購買”以及“看過此商品后顧客買的其它商品？”, 如圖2 1, 圖2 2以及圖2 3。圖 2 1 亞馬遜推薦：經(jīng)常一起購買的商品Fig 2 1 Amazon recommendation: products which are often purchased together亞馬遜網(wǎng)絡(luò)書店就是基于“對同樣一本書有興趣的讀者們興趣在某種程度上相近”的假設(shè)前提下給用戶提供了推薦，此舉也成為亞馬遜網(wǎng)絡(luò)書店為人所— 10 —

感興趣的書籍，馬上會看到頁面下方也會提示“經(jīng)常一起購買的商品”，“購買此商品的顧客也同時購買”以及“看過此商品后顧客買的其它商品？”, 如圖2 1, 圖2 2以及圖2 3。圖 2 1 亞馬遜推薦：經(jīng)常一起購買的商品Fig 2 1 Amazon recommendation: products which are often purchased together亞馬遜網(wǎng)絡(luò)書店就是基于“對同樣一本書有興趣的讀者們興趣在某種程度上相近”的假設(shè)前提下給用戶提供了推薦，此舉也成為亞馬遜網(wǎng)絡(luò)書店為人所— 10 —

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 黎星星;Building a better recommender system in E-commerce[J];Journal of Chongqing University;2003年01期

2 朱郁筱;呂琳媛;;推薦系統(tǒng)評價指標(biāo)綜述[J];電子科技大學(xué)學(xué)報(bào);2012年02期

3 侯治平;;用戶行為模式下電子商務(wù)網(wǎng)站個性化推薦研究[J];電腦與信息技術(shù);2011年04期

4 谷鈺;薛國明;;基于ACM在線評測推薦系統(tǒng)模型研究[J];電腦知識與技術(shù);2011年07期

5 劉兆興;張寧;李季明;;基于協(xié)同過濾和網(wǎng)絡(luò)結(jié)構(gòu)的個性化推薦算法[J];復(fù)雜系統(tǒng)與復(fù)雜性科學(xué);2011年02期

6 李穎;李永麗;蔡觀洋;;基于雙重閾值近鄰查找的協(xié)同過濾算法[J];吉林大學(xué)學(xué)報(bào)(信息科學(xué)版);2013年06期

7 劉平峰;聶規(guī)劃;陳冬林;;電子商務(wù)推薦系統(tǒng)中推薦策略的自適應(yīng)性[J];計(jì)算機(jī)工程與應(yīng)用;2007年04期

8 劉平峰;聶規(guī)劃;陳冬林;;基于知識的電子商務(wù)智能推薦系統(tǒng)平臺設(shè)計(jì)[J];計(jì)算機(jī)工程與應(yīng)用;2007年19期

9 王進(jìn);;一種使用DSmTrust信任模型的推薦系統(tǒng)[J];計(jì)算機(jī)工程與應(yīng)用;2011年13期

10 陳劍;張冬梅;陳釗;;林產(chǎn)品貿(mào)易信息推送梯級過濾技術(shù)[J];計(jì)算機(jī)工程與應(yīng)用;2012年14期

相關(guān)會議論文 前5條

1 李揚(yáng);陳超;祁麟;俞能海;;一種基于用戶行為相似度的協(xié)同推薦算法[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2010)、第19屆全國多媒體學(xué)術(shù)會議（NCMT2010）、第6屆全國人機(jī)交互學(xué)術(shù)會議（CHCI2010）、第5屆全國普適計(jì)算學(xué)術(shù)會議（PCC2010）論文集[C];2010年

2 ;An Analysis on the Personalized Recommendation Architecture of Mobile Commerce Application[A];第六屆（2011）中國管理學(xué)年會——管理科學(xué)與工程分會場論文集[C];2011年

3 ;COLLABORATIVE FILTERING RECOMMENDATION ALGORITHM BASED ON LOOK-AHEAD SELECTIVE SAMPLING[A];2006年中國機(jī)械工程學(xué)會年會暨中國工程院機(jī)械與運(yùn)載工程學(xué)部首屆年會論文集[C];2006年

4 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)會議論文集A輯一[C];2010年

5 羅辛;歐陽元新;熊璋;袁滿;;通過相似度支持度優(yōu)化基于K近鄰的協(xié)同過濾算法[A];NDBC2010第27屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集A輯一[C];2010年

相關(guān)博士學(xué)位論文 前10條

1 張寅;個性化技術(shù)及其在數(shù)字圖書館中應(yīng)用的研究[D];浙江大學(xué);2009年

2 陳偉;基于時序文本挖掘的新聞內(nèi)容理解與推薦技術(shù)研究[D];浙江大學(xué);2010年

3 夏培勇;個性化推薦技術(shù)中的協(xié)同過濾算法研究[D];中國海洋大學(xué);2011年

4 王宏宇;商務(wù)推薦系統(tǒng)的設(shè)計(jì)研究[D];中國科學(xué)技術(shù)大學(xué);2007年

5 余小高;電子商務(wù)環(huán)境中分布式數(shù)據(jù)挖掘的研究[D];武漢理工大學(xué);2007年

6 劉平峰;基于知識網(wǎng)格的電子商務(wù)智能推薦理論方法研究[D];武漢理工大學(xué);2006年

7 劉康苗;自適應(yīng)網(wǎng)絡(luò)信息獲取服務(wù)技術(shù)研究[D];浙江大學(xué);2008年

8 史e

本文編號：2761895