本文關(guān)鍵詞：推薦算法與推薦網(wǎng)絡(luò)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：信息推薦技術(shù),作為解決信息過載問題的技術(shù)手段之一,在理論和應(yīng)用層面都具有重大的意義和價(jià)值。從理論上講,信息推薦問題是信息挖掘和信息過濾這一重大科學(xué)問題的重要組成部分;從應(yīng)用上講,信息推薦技術(shù)已經(jīng)成為眾多電子商務(wù)網(wǎng)站的核心技術(shù),并創(chuàng)造了巨大的經(jīng)濟(jì)價(jià)值。信息推薦是一個(gè)典型的交叉研究領(lǐng)域。本文針對(duì)推薦系統(tǒng)的多樣性問題、稀疏性問題和推薦網(wǎng)絡(luò)的結(jié)構(gòu)分析等問題開展研究,綜合利用計(jì)算機(jī)科學(xué)、統(tǒng)計(jì)物理學(xué)和社會(huì)學(xué)等多學(xué)科的理論和方法,提出了一些有效的解決方案,具體如下:1)提出一種基于多維度分析的推薦算法。該方法將高維商品空間投影到低維商品空間,滿足商品在低維空間的距離近似于商品在高維空間的距離。算法的擴(kuò)展性好于SVD和矩陣分解算法等降維方法,去除了數(shù)據(jù)中的噪音,從而能夠更加高效、準(zhǔn)確地計(jì)算商品間的相似度。實(shí)驗(yàn)結(jié)果表明,在基于產(chǎn)品的協(xié)同過濾框架下,算法的準(zhǔn)確性和多樣性比傳統(tǒng)推薦算法分別提高了27.9%和27.4%。2)提出一種基于局部隨機(jī)游走的推薦算法。該方法在傳統(tǒng)隨機(jī)游走算法的基礎(chǔ)上,僅考慮有限次數(shù)的游走過程,準(zhǔn)確率和效率明顯高于傳統(tǒng)的隨機(jī)游走算法,商品覆蓋率明顯大于傳統(tǒng)的推薦算法,顯著改善不活躍用戶的推薦質(zhì)量。實(shí)驗(yàn)結(jié)果表明,在稀疏的數(shù)據(jù)中,算法準(zhǔn)確性比傳統(tǒng)推薦算法提高了10%;針對(duì)不活躍用戶,算法準(zhǔn)確性比傳統(tǒng)推薦算法提高了21.9%。3)提出一種基于社交網(wǎng)絡(luò)的隨機(jī)游走推薦算法。該方法在用戶-商品二部分網(wǎng)絡(luò)中,引入用戶-社團(tuán)二部分網(wǎng)絡(luò),基于兩個(gè)網(wǎng)絡(luò)上的隨機(jī)游走模型,增加了網(wǎng)絡(luò)節(jié)點(diǎn)間的可達(dá)概率,大幅度地提高了不活躍用戶的推薦質(zhì)量,從而弱化了數(shù)據(jù)稀疏性問題和冷啟動(dòng)問題。實(shí)驗(yàn)結(jié)果表明,當(dāng)向不活躍用戶和新用戶推薦商品時(shí),算法的準(zhǔn)確性比傳統(tǒng)的推薦算法提高了44.5%。4)提出一種基于信息核的推薦算法。該方法根據(jù)用戶最近鄰出現(xiàn)的次數(shù)和位置,設(shè)計(jì)了一種快速有效的信息核提取算法,并分析了信息核的結(jié)構(gòu)特征和核心用戶的分布情況。算法的優(yōu)點(diǎn)在于去除了推薦系統(tǒng)中的不相關(guān)用戶,從而提高了算法的效率和健壯性。實(shí)驗(yàn)結(jié)果表明,在信息核為原始數(shù)據(jù)總量20%的情況下,算法的準(zhǔn)確性能夠達(dá)到使用所有數(shù)據(jù)準(zhǔn)確性的90%以上。5)提出了基于社交關(guān)系的矩陣分解算法。該方法利用正則化和因子分解方法,在一個(gè)模型中同時(shí)考慮用戶-商品矩陣、用戶-社團(tuán)矩陣和用戶-朋友矩陣。實(shí)驗(yàn)結(jié)果表明,正則化方法更適用于用戶-朋友這樣的單模數(shù)據(jù),因子分解算法更適用于用戶-商品、用戶-社團(tuán)等雙模數(shù)據(jù)。多數(shù)據(jù)源的交叉學(xué)習(xí),可以明顯改善算法在稀疏數(shù)據(jù)中的準(zhǔn)確性,在商品推薦、社團(tuán)推薦和朋友推薦中,算法的準(zhǔn)確性比傳統(tǒng)算法分別提高了19.5%、36.2%和5%。
【關(guān)鍵詞】：協(xié)同過濾 推薦算法 多樣性 稀疏性 推薦網(wǎng)絡(luò)
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.3
【目錄】：

• 摘要5-7
• ABSTRACT7-13
• 第一章 緒論13-21
• 1.1 研究工作的背景與意義13-14
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀14-19
• 1.2.1 推薦算法14-16
• 1.2.2 推薦系統(tǒng)的準(zhǔn)確性和多樣性16-17
• 1.2.3 推薦系統(tǒng)的數(shù)據(jù)稀疏性17-18
• 1.2.4 推薦網(wǎng)絡(luò)分析18-19
• 1.3 論文的主要工作與創(chuàng)新19-20
• 1.4 論文的結(jié)構(gòu)安排20-21
• 第二章 基于多維度分析的協(xié)同過濾推薦算法21-34
• 2.1 問題及相關(guān)工作21-22
• 2.2 基于多維度分析的協(xié)同過濾推薦算法22-24
• 2.2.1 算法思想22-23
• 2.2.2 算法描述23-24
• 2.2.3 算法分析24
• 2.3 實(shí)驗(yàn)設(shè)計(jì)24-27
• 2.3.1 數(shù)據(jù)集24
• 2.3.2 評(píng)價(jià)指標(biāo)24-25
• 2.3.3 對(duì)比算法25-26
• 2.3.4 實(shí)驗(yàn)方法和過程26-27
• 2.4 實(shí)驗(yàn)結(jié)果與分析27-33
• 2.4.1 相似度方法的對(duì)比結(jié)果27-29
• 2.4.2 推薦算法的準(zhǔn)確性對(duì)比結(jié)果29-31
• 2.4.3 推薦算法的多樣性對(duì)比結(jié)果31-32
• 2.4.4 推薦算法對(duì)二部分網(wǎng)絡(luò)多樣性的影響32-33
• 2.4.5 推薦算法的效率對(duì)比33
• 2.5 本章小結(jié)33-34
• 第三章 基于局部隨機(jī)游走的推薦算法34-46
• 3.1 問題及相關(guān)工作34-35
• 3.2 基于局部隨機(jī)游走的推薦算法35-37
• 3.2.1 算法思想35-36
• 3.2.2 算法描述36-37
• 3.2.3 算法分析37
• 3.3 實(shí)驗(yàn)設(shè)計(jì)37-39
• 3.3.1 數(shù)據(jù)集37-38
• 3.3.2 評(píng)價(jià)指標(biāo)38
• 3.3.3 對(duì)比算法38-39
• 3.3.4 實(shí)驗(yàn)方法和過程39
• 3.4 實(shí)驗(yàn)結(jié)果與分析39-45
• 3.4.1 現(xiàn)有算法的不足及其原因39-41
• 3.4.2 基于局部隨機(jī)游走算法的準(zhǔn)確性分析41-44
• 3.4.3 改進(jìn)局部隨機(jī)游走推薦算法的準(zhǔn)確性分析44-45
• 3.5 本章小結(jié)45-46
• 第四章 基于社交網(wǎng)絡(luò)的隨機(jī)游走推薦算法46-56
• 4.1 問題及相關(guān)工作46-47
• 4.2 基于社交網(wǎng)絡(luò)的隨機(jī)游走推薦算法47-49
• 4.2.1 算法思想47
• 4.2.2 算法描述47-49
• 4.2.3 算法分析49
• 4.3 實(shí)驗(yàn)設(shè)計(jì)49-52
• 4.3.1 數(shù)據(jù)集49
• 4.3.2 評(píng)價(jià)指標(biāo)49-50
• 4.3.3 對(duì)比算法50-51
• 4.3.4 實(shí)驗(yàn)方法和過程51-52
• 4.4 實(shí)驗(yàn)結(jié)果與分析52-55
• 4.4.1 評(píng)分網(wǎng)絡(luò)與社交網(wǎng)絡(luò)特征分析52-53
• 4.4.2 社團(tuán)對(duì)商品選擇的影響53-54
• 4.4.3 推薦算法準(zhǔn)確性的對(duì)比結(jié)果54-55
• 4.5 本章小結(jié)55-56
• 第五章 基于信息核的推薦算法56-74
• 5.1 問題及相關(guān)工作56-57
• 5.2 基于信息核的推薦算法57-61
• 5.2.1 信息核的定義57-58
• 5.2.2 基于近鄰的物質(zhì)擴(kuò)散算法58-59
• 5.2.3 信息核提取算法59-60
• 5.2.4 基于信息核的推薦算法60-61
• 5.2.5 算法分析61
• 5.3 實(shí)驗(yàn)設(shè)計(jì)61-64
• 5.3.1 數(shù)據(jù)集61-62
• 5.3.2 評(píng)價(jià)指標(biāo)62
• 5.3.3 對(duì)比算法62-63
• 5.3.4 實(shí)驗(yàn)方法與過程63-64
• 5.4 實(shí)驗(yàn)結(jié)果與分析64-72
• 5.4.1 基于近鄰物質(zhì)擴(kuò)散算法的準(zhǔn)確性64-66
• 5.4.2 基于信息核推薦算法的準(zhǔn)確性66-68
• 5.4.3 近鄰個(gè)數(shù)對(duì)信息核算法準(zhǔn)確性的影響68-69
• 5.4.4 信息核的結(jié)構(gòu)分析69-72
• 5.5 本章小結(jié)72-74
• 第六章 基于社交網(wǎng)絡(luò)的矩陣分解算法74-96
• 6.1 問題及相關(guān)工作74-79
• 6.2 基于社交網(wǎng)絡(luò)的矩陣分解算法79-88
• 6.2.1 基于多數(shù)據(jù)源的算法分類79-80
• 6.2.2 基于社團(tuán)和朋友信息的商品推薦算法80-84
• 6.2.3 基于朋友和商品偏好信息的社團(tuán)推薦算法84-86
• 6.2.4 基于社團(tuán)和商品偏好信息品的朋友推薦算法86-87
• 6.2.5 算法分析87-88
• 6.3 實(shí)驗(yàn)設(shè)計(jì)88-89
• 6.3.1 數(shù)據(jù)集88
• 6.3.2 評(píng)價(jià)指標(biāo)88-89
• 6.3.3 實(shí)驗(yàn)方法與過程89
• 6.4 實(shí)驗(yàn)結(jié)果與分析89-94
• 6.4.1 商品推薦算法的準(zhǔn)確性對(duì)比90-91
• 6.4.2 社團(tuán)推薦算法的準(zhǔn)確性對(duì)比91-93
• 6.4.3 朋友推薦算法的準(zhǔn)確性對(duì)比93-94
• 6.5 本章小結(jié)94-96
• 第七章 全文總結(jié)與展望96-98
• 致謝98-99
• 參考文獻(xiàn)99-108
• 攻讀博士學(xué)位期間取得的成果108-109

  本文關(guān)鍵詞：推薦算法與推薦網(wǎng)絡(luò)研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：374286