本文關鍵詞：基于經驗學習的自適應推薦算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：傳統(tǒng)的推薦算法一般主要利用用戶的一些瀏覽記錄、好友推薦等各種方式作為依據(jù)進行推薦。其主要目的是為了解決電子商務等領域信息過載的問題。但在實際應用中,一般作為輔助功能呈現(xiàn),而主要的搜索算法大抵還是基于網(wǎng)頁內容的排序索引。而在基于內容的搜索的同時,進行盡可能個性化的推薦方案則寥寥無幾,其搜索質量也存在很大的問題。如何結合以上兩點,是設計新的高質量搜索排序算法的關鍵。基于內容搜索排序能夠在一定程度上代表文檔與用戶輸入語句的相關性。推薦算法的思想認為,人們歷史的操作行為如用戶點擊等對后來用戶的選擇的指導推薦作用。本文在合理結合了以上兩點的優(yōu)點,提出了一種基于經驗學習的自適應推薦算法IMUSE。本文的主要工作有：首先,通過用戶行為分析,提出對歷史用戶點擊數(shù)據(jù)的處理方法,即給出了對用戶點擊時效性和文檔熱度等良好的處理手段。其次,本文借鑒了基于內容檢索和基于經驗進行推薦兩個領域算法的優(yōu)點,提出了基于經驗的搜索推薦算法。特別是考慮到查詢輸入的平衡等問題,并給出了良好的解決方案。最終本文提出了一種自適應蟻群算法SAACO,將蟻群算法中的調參α、∥放到粒子群算法中進行動態(tài)選擇。同時將該算法應用到搜索推薦算法的參數(shù)估計中,使得提出的推薦算法具備參數(shù)自適應設定的優(yōu)點。本文對SAACO應用到IMUSE參數(shù)估計進行了實驗,并與大量實驗得出的結果進行了對比,實驗證明,參數(shù)估計的方法與實驗得出的結果基本相似。另外,本文選取了推薦算法領域評估指標準確率和搜索排序領域的權威評估方法nDCG作為對IMUSE算法性能的雙重評估指標,并利用實驗進行證明算法在這兩方面算法運算結果的優(yōu)越性。
【關鍵詞】：經驗學習 推薦算法 自適應蟻群算法 參數(shù)估計
【學位授予單位】：大連理工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP18;TP391.3
【目錄】：

• 摘要4-5
• Abstract5-8
• 1 緒論8-15
• 1.1 研究背景與意義8-10
• 1.2 研究現(xiàn)狀10-12
• 1.3 研究內容12-13
• 1.4 論文結構13-14
• 1.5 本章小結14-15
• 2 搜索推薦算法理論基礎15-23
• 2.1 推薦算法綜述15-19
• 2.1.1 推薦系統(tǒng)中的數(shù)據(jù)挖掘15-17
• 2.1.2 基于內容的推薦系統(tǒng)17-18
• 2.1.3 基于近鄰推薦方法綜述18
• 2.1.4 基于協(xié)同過濾的推薦算法18-19
• 2.2 搜索排序算法簡介19-21
• 2.3 參數(shù)估計簡介21-22
• 2.4 本章小結22-23
• 3 自適應蟻群算法設計23-33
• 3.1 粒子群算法簡述23-25
• 3.2 蟻群算法簡述25-29
• 3.2.1 蟻群覓食模型25-26
• 3.2.2 ACO的數(shù)學表述26-29
• 3.2.3 蟻群算法的一些特性29
• 3.3 改進的蟻群算法SAACO29-32
• 3.4 本章小結32-33
• 4 基于經驗學習的推薦算法設計33-45
• 4.1 自學習推薦引擎架構設計33-37
• 4.1.1 整體框架設計33-34
• 4.1.2 索引器34-35
• 4.1.3 Web Community35
• 4.1.4 經驗學習器35-37
• 4.2 算法主體設計37-39
• 4.3 文檔特征分值Fs的計算方法39-40
• 4.4 經驗分值Es的計算方法40-42
• 4.5 矩陣R的計算方法42-44
• 4.6 本章小結44-45
• 5 參數(shù)估計和實驗結果45-55
• 5.1 算法評估方法45-46
• 5.2 IMUSE參數(shù)估計實驗設計及結果46-49
• 5.3 實驗結果及分析49-53
• 5.3.1 實驗數(shù)據(jù)49-51
• 5.3.2 實驗驗證及結果分析51-53
• 5.4 弱文檔屬性數(shù)據(jù)實驗及分析53-54
• 5.5 本章小結54-55
• 結論55-56
• 參考文獻56-59
• 攻讀碩士學位期間發(fā)表學術論文情況59-60
• 致謝60-61

【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：475317