本文關鍵詞：類博弈個性化推薦算法的設計與研究

  更多相關文章： 推薦系統(tǒng) 類博弈思想 個性化 分布式計算

【摘要】：在早期的互聯(lián)網(wǎng)時代,分類索引可以有效地幫助用戶找到需要的信息。隨著互聯(lián)網(wǎng)數(shù)據(jù)的不斷增加,分類索引難以囊括所有數(shù)據(jù),搜索引擎的出現(xiàn)解決了這一瓶頸。在互聯(lián)網(wǎng)數(shù)據(jù)爆發(fā)的今天,各個領域的數(shù)據(jù)逐步過載,受限于關鍵詞的搜索引擎也難以應對用戶日益增長的個性化需求,諸如“最好聽”一類難以被量化的關鍵詞,往往得到近乎廣告的搜索結果。在這樣的背景下,推薦系統(tǒng)得到了廣泛的研究和使用。推薦算法是推薦系統(tǒng)的靈魂,常規(guī)的推薦算法從實時性的角度可以分為在線推薦和離線推薦。離線推薦是在線推薦的數(shù)據(jù)基礎,在線推薦是離線推薦的進一步應用。離線推薦從提取用戶和物品特征的角度入手,可以有效提升推薦準確率,離線數(shù)據(jù)比較穩(wěn)定,易于建模和評估。但離線計算一般需要較長的運行時間,這段空閑期如果置之不理,會出現(xiàn)“興趣漂移”問題,這時就需要在線計算來進行彌補。在線計算可以在離線計算的基礎上調(diào)節(jié)推薦結果,有效緩解“興趣漂移”問題,維持離線計算的推薦準確率。本論文從離線推薦和在線推薦兩個方面進行了研究,主要包括:1)對傳統(tǒng)基于物品協(xié)同過濾算法進行分布式改進,通過對分布式計算框架Dpark的性能驗證實驗和分布式內(nèi)存數(shù)據(jù)庫Beans DB的特點分析,提出了基于Dpark的數(shù)據(jù)關系提取方案和基于Beans DB的矩陣存儲方案。2)在離線計算上,提出了加強“個性化特征”的引入用戶追新度和物品流行度(由于實驗采用的是公開音樂數(shù)據(jù)集,在本論文中主要討論“音樂流行度”,正文將直接采用“音樂流行度”這一說法)的離線推薦算法。分別對用戶追新度和物品流行度的定義和依據(jù)進行了說明,并基于兩個度量提出了改進的推薦模型,詳細解讀了模型的原理,并在實現(xiàn)算法之后,與基于物品協(xié)同過濾算法進行了詳細的性能對比分析。3)在在線計算上,具體描述了離線計算中存在的“興趣漂移”現(xiàn)象和常規(guī)的緩解方法,然后提出了引入“類博弈思想”的在線推薦算法,通過結合離線推薦算法的推薦結果,在系統(tǒng)和用戶的交互過程中,進行在線推薦,有效緩解了離線推薦中存在的“興趣漂移”問題,提升了推薦算法的實時性和靈活性,并提出了一種可行的實現(xiàn)類博弈思想的算法流程,對實驗結果進行了展示和分析。4)提出了一種基于RESTful Web Service的個性化音樂推薦系統(tǒng)的整體架構,實現(xiàn)了算法理論與實際系統(tǒng)的對接,介紹了基礎的服務端接口,并對網(wǎng)站端和移動端進行了結果展示,為將本論文提出的推薦算法應用到實際系統(tǒng)提供了一條可行的技術路線。
【關鍵詞】：推薦系統(tǒng) 類博弈思想 個性化 分布式計算
【學位授予單位】：貴州大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.3
【目錄】：

• 摘要4-6
• ABSTRACT6-8
• 1 前言8-12
• 1.1 研究背景與意義8
• 1.2 國內(nèi)外研究成果8-10
• 1.3 論文主要研究內(nèi)容10-11
• 1.4 論文組織結構11
• 1.5 本章小結11-12
• 2 理論基礎與相關技術12-22
• 2.1 基于物品協(xié)同過濾算法12-14
• 2.2 分布式計算平臺14-17
• 2.3 博弈論17-19
• 2.3.1 傳統(tǒng)博弈論17-18
• 2.3.2 演化博弈論18-19
• 2.4 Web服務19-21
• 2.5 本章小結21-22
• 3 基于物品協(xié)同過濾算法的分布式改進22-28
• 3.1 傳統(tǒng)基于物品協(xié)同過濾算法實踐中存在的問題22-23
• 3.1.1 迭代運算時的性能問題22
• 3.1.2 稀疏矩陣存儲時的空間問題22-23
• 3.2 基于Dpark的數(shù)據(jù)處理23-26
• 3.3 基于BeansDB的矩陣存儲26-27
• 3.4 本章小結27-28
• 4 類博弈個性化推薦算法28-48
• 4.1 算法概述28-29
• 4.2 加強“個性化特征”的離線推薦算法29-42
• 4.2.1 傳統(tǒng)基于物品協(xié)同過濾算法的推薦模型29-30
• 4.2.2 引入用戶追新度和音樂流行度的改進協(xié)同過濾算法30-34
• 4.2.3 實驗數(shù)據(jù)分析34-42
• 4.3 基于“類博弈思想”的在線推薦算法42-47
• 4.3.1“興趣漂移”問題42-43
• 4.3.2 常規(guī)緩解“興趣漂移”問題的方法43-44
• 4.3.3 類博弈思想44-45
• 4.3.4 算法設計與實驗數(shù)據(jù)分析45-47
• 4.4 本章小結47-48
• 5 個性化音樂推薦系統(tǒng)48-57
• 5.1 功能概述48
• 5.2 架構設計與實現(xiàn)驗證48-56
• 5.2.1 架構概述48-49
• 5.2.2 架構設計49-52
• 5.2.3 實現(xiàn)驗證52-56
• 5.3 本章小結56-57
• 6 總結與展望57-59
• 6.1 總結57-58
• 6.2 展望58-59
• 致謝59-60
• 參考文獻60-62
• 附錄62-63
• 圖版63-64
• 表版64-65

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 徐義峰;徐云青;劉曉平;;一種基于時間序列性的推薦算法[J];計算機系統(tǒng)應用;2006年10期

2 余小鵬;;一種基于多層關聯(lián)規(guī)則的推薦算法研究[J];計算機應用;2007年06期

3 張海玉;劉志都;楊彩;賈松浩;;基于頁面聚類的推薦算法的改進[J];計算機應用與軟件;2008年09期

4 張立燕;;一種基于用戶事務模式的推薦算法[J];福建電腦;2009年03期

5 王晗;夏自謙;;基于蟻群算法和瀏覽路徑的推薦算法研究[J];中國科技信息;2009年07期

6 周珊丹;周興社;王海鵬;倪紅波;張桂英;苗強;;智能博物館環(huán)境下的個性化推薦算法[J];計算機工程與應用;2010年19期

7 王文;;個性化推薦算法研究[J];電腦知識與技術;2010年16期

8 張愷;秦亮曦;寧朝波;李文閣;;改進評價估計的混合推薦算法研究[J];微計算機信息;2010年36期

9 夏秀峰;代沁;叢麗暉;;用戶顯意識下的多重態(tài)度個性化推薦算法[J];計算機工程與應用;2011年16期

10 楊博;趙鵬飛;;推薦算法綜述[J];山西大學學報(自然科學版);2011年03期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個性化推薦算法[A];第二十四屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2007年

2 唐燦;;基于模糊用戶心理模式的個性化推薦算法[A];2008年計算機應用技術交流會論文集[C];2008年

3 秦國;杜小勇;;基于用戶層次信息的協(xié)同推薦算法[A];第二十一屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2004年

4 周玉妮;鄭會頌;;基于瀏覽路徑選擇的蟻群推薦算法:用于移動商務個性化推薦系統(tǒng)[A];社會經(jīng)濟發(fā)展轉型與系統(tǒng)工程——中國系統(tǒng)工程學會第17屆學術年會論文集[C];2012年

5 蘇日啟;胡皓;汪秉宏;;基于網(wǎng)絡的含時推薦算法[A];第五屆全國復雜網(wǎng)絡學術會議論文（摘要）匯集[C];2009年

6 梁莘q，

本文編號：639504