收藏本站
《辽宁大学》 2015年
收藏 | 手机打开
二维码
手机客户端打开本文

面向SaaS多租户的动态推荐方法研究

苏靖涵  
【摘要】:在当今的云计算时代中,基于互联网的Saa S软件交付模式备受推崇,尤其在中小企业群体中最为明显。正朝着信息网络化发展的企业,其个性化需求在软件服务领域的长尾市场中也日益突出,如何在种类繁多的资源中为企业群体提供所需服务已成为当下关注的焦点。在Saa S环境多租户模式下,多个用户可以租赁同一个服务,并且可依照实际需要对服务进行定制,既满足了租户的多样化需求,又充分发挥了服务的个性化特征。对于服务的推荐,可以利用动态推荐技术中应用最为广泛的协同过滤。虽然该技术在电商等领域上已经取得巨大成功,但同样面临两个典型的问题:数据稀疏和兴趣漂移。稀疏问题是由于推荐系统建立初期信息缺失或者运行过程中新信息获取不充分产生高维数据而引起的,而兴趣漂移则是由于兴趣爱好会因个人或者他人甚至环境的影响而发生变化。由于Saa S环境具有在线系统的动态性,其信息基础是变动的数据,稀疏和漂移情况会随时出现。这两个问题不仅相互影响,而且会影响系统推荐的精确度。本文针对这两个问题,将多租户的应用场景和个性化推荐技术进行结合,主要解决推荐方法中的数据稀疏和兴趣漂移问题。具体研究工作如下:1)稀疏数据处理与不精确问题之间的关系在Saa S环境下对租户进行服务推荐,探究推荐过程中的数据稀疏问题。有很多文献都将数据稀疏和冷启动分开研究,本文认为数据稀疏是由冷启动、新用户和新项目导致的。现有的解决方案主要有填充法或降维法,适用于数据较为单一的环境,而Saa S模式下的多租户服务平台环境较为复杂,传统方法使用受限。本文提出一种基于隐语义模型的协同推荐算法,归类Saa S软件服务中的异构关系,在矩阵分解的基础上利用LFM模型规则化单模关系、分解化双模关系,提取其中隐含的信息,从而扩充相关数据集,缓解协同过滤算法中由于数据稀疏带来的不精确问题。2)对兴趣漂移的处理兴趣变化的因素有很多,自身喜好、产品质量或者大众评价等,而现有解决方案的信息基础较为单一,兴趣模型的更新只是根据近期或者简单采取遗忘函数,这会导致过拟合而失去多样性。针对租户的可变兴趣,本文提出基于时间效应的兴趣进化策略,面向不同粒度的服务层次,将基础信息分为显式信息和隐式信息,并以此分别建模和更新。基于显式信息的兴趣进化算法以服务粒度为基础,将影响兴趣的不同因素与时间结合,建立TRSVD动态模型,通过评分值高低进行服务推荐,进而利用组合方法形成个性化服务集合;而基于隐式信息的兴趣进化算法以服务的可定制点粒度为基础,将租户的行为量化为对服务的评价,并分别进行短期和长期兴趣更新,然后利用遗传算法将小粒度定制点的推荐结果转化为个性化服务集合推荐。最后将两个结果集融合,得到最终预测的租户个性化服务。3)实验与测试由于多租户模式的特殊性,首先在Saa S相关平台进行数据收集和分类整理,然后分别测试两个算法。对基于隐语义模型中的单模和双模关系分别进行规则化和分解化处理,并探究数据稀疏程度与推荐精确度的关系;对基于时间效应的兴趣进化策略进行显式信息的兴趣更新和隐式信息的长短期兴趣更新,并融合这两种算法进行测试。最后对实验结果分析,对比各种算法的推荐精确率和召回率。通过以上几个方面的研究及其相关实验,本文提出的两种算法在一定程度上有效弥补了协同推荐的不足:基于隐语义模型的协同过滤算法,在稀疏数据情况下对算法的精确性有较大提高;而基于时间效应的兴趣进化策略则缓解了漂移问题,也提高了推荐结果的精确性。两者结合的效果更为明显,到达了本文的研究目的。
【学位授予单位】:辽宁大学
【学位级别】:硕士
【学位授予年份】:2015
【分类号】:TP393.09;TP391.3

手机知网App
【参考文献】
中国期刊全文数据库 前1条
1 张付志;常俊风;王栋;;基于Widrow-Hoff神经网络的多指标推荐算法[J];模式识别与人工智能;2011年02期
【共引文献】
中国期刊全文数据库 前6条
1 于海群;刘万军;邱云飞;;基于用户话题偏好的社会网络二级人脉推荐[J];计算机应用;2012年05期
2 于海群;刘万军;邱云飞;;基于用户偏好的社会网络二级人脉推荐研究[J];计算机应用与软件;2012年04期
3 于(王乐);汪家权;;改进的QGA-BP模型在复杂水质预测中的应用[J];模式识别与人工智能;2012年04期
4 柳保燕;仝青山;雷凤君;;基于灰关联的C2C商品可购买度评价模型[J];计算机时代;2013年05期
5 杜永萍;黄亮;何明;;融合信任计算的协同过滤推荐方法[J];模式识别与人工智能;2014年05期
6 吕善国;吴效葵;曹义亲;;基于网络结构的推荐算法[J];实验室研究与探索;2012年07期
中国博士学位论文全文数据库 前1条
1 孔维梁;协同过滤推荐系统关键问题研究[D];华中师范大学;2013年
中国硕士学位论文全文数据库 前7条
1 陈诚;个性化农业信息推送技术研究[D];湖南农业大学;2012年
2 黄国臣;护理床动作控制的个性化推荐模式研究[D];广东工业大学;2013年
3 祁文娟;基于物联网技术的智能家电管理模型设计与验证[D];中国海洋大学;2013年
4 娄小丰;基于多属性打分的酒店推荐算法研究[D];哈尔滨工业大学;2012年
5 施少怀;一种基于用户倾向的微博好友推荐算法[D];哈尔滨工业大学;2013年
6 杨红磊;基于内容与社会过滤的好友推荐算法研究[D];内蒙古科技大学;2013年
7 黄亮;基于信任关系的协同过滤推荐技术研究[D];北京工业大学;2014年
【二级参考文献】
中国期刊全文数据库 前6条
1 张磊;陈俊亮;孟祥武;沈筱彦;段锟;;基于BP神经网络的协作过滤推荐算法[J];北京邮电大学学报;2009年06期
2 葛蕾;霍爱清;;Widrow-Hoff神经网络学习规则的应用研究[J];电子设计工程;2009年06期
3 张丙奇;基于领域知识的个性化推荐算法研究[J];计算机工程;2005年21期
4 邓爱林,朱扬勇,施伯乐;基于项目评分预测的协同过滤推荐算法[J];软件学报;2003年09期
5 张光卫;李德毅;李鹏;康建初;陈桂生;;基于云模型的协同过滤推荐算法[J];软件学报;2007年10期
6 许海玲;吴潇;李晓东;阎保平;;互联网推荐系统比较研究[J];软件学报;2009年02期
【相似文献】
中国期刊全文数据库 前10条
1 张付志;张启凤;;融合多系统用户信息的协同过滤算法[J];计算机工程;2009年21期
2 周丽娟;徐明升;张研研;张璋;;基于协同过滤的课程推荐模型[J];计算机应用研究;2010年04期
3 刘淇;陈恩红;;结合二部图投影与排序的协同过滤[J];小型微型计算机系统;2010年05期
4 董全德;;基于双信息源的协同过滤算法研究[J];合肥工业大学学报(自然科学版);2010年07期
5 李聪;;电子商务协同过滤可扩展性研究综述[J];现代图书情报技术;2010年11期
6 傅鹤岗;李冉;;基于用户实时反馈的协同过滤算法[J];计算机应用;2011年07期
7 辛勤芳;;基于项目聚类的协同过滤算法研究[J];赤峰学院学报(自然科学版);2011年09期
8 杨君;汪会玲;艾丹祥;;一种基于情景的多维协同过滤新方法研究[J];图书情报工作;2011年21期
9 王宗武;;基于信任用户联合聚类的协同过滤算法[J];计算机与现代化;2013年09期
10 杜永萍;黄亮;何明;;融合信任计算的协同过滤推荐方法[J];模式识别与人工智能;2014年05期
中国重要会议论文全文数据库 前10条
1 沈杰峰;杜亚军;唐俊;;一种基于项目分类的协同过滤算法[A];第二十二届中国数据库学术会议论文集(技术报告篇)[C];2005年
2 周军锋;汤显;郭景峰;;一种优化的协同过滤推荐算法[A];第二十一届中国数据库学术会议论文集(研究报告篇)[C];2004年
3 董全德;;基于双信息源的协同过滤算法研究[A];全国第20届计算机技术与应用学术会议(CACIS·2009)暨全国第1届安全关键技术与应用学术会议论文集(上册)[C];2009年
4 李建国;姚良超;汤庸;郭欢;;基于认知度的协同过滤推荐算法[A];第26届中国数据库学术会议论文集(B辑)[C];2009年
5 张光卫;康建初;李鹤松;刘常昱;李德毅;;面向场景的协同过滤推荐算法[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年
6 王明文;陶红亮;熊小勇;;双向聚类迭代的协同过滤推荐算法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年
7 胡必云;李舟军;王君;;基于心理测量学的协同过滤相似度方法(英文)[A];NDBC2010第27届中国数据库学术会议论文集(B辑)[C];2010年
8 林丽冰;师瑞峰;周一民;李月雷;;基于双聚类的协同过滤推荐算法[A];2008'中国信息技术与应用学术论坛论文集(一)[C];2008年
9 罗喜军;王韬丞;杜小勇;刘红岩;何军;;基于类别的推荐——一种解决协同推荐中冷启动问题的方法[A];第二十四届中国数据库学术会议论文集(研究报告篇)[C];2007年
10 黄创光;印鉴;汪静;刘玉葆;王甲海;;不确定近邻的协同过滤推荐算法[A];NDBC2010第27届中国数据库学术会议论文集A辑一[C];2010年
中国博士学位论文全文数据库 前10条
1 郭艳红;推荐系统的协同过滤算法与应用研究[D];大连理工大学;2008年
2 李聪;电子商务推荐系统中协同过滤瓶颈问题研究[D];合肥工业大学;2009年
3 罗恒;基于协同过滤视角的受限玻尔兹曼机研究[D];上海交通大学;2011年
4 薛福亮;电子商务协同过滤推荐质量影响因素及其改进机制研究[D];天津大学;2012年
5 高旻;基于计算语用学和项目的资源协同过滤推荐研究[D];重庆大学;2010年
6 孔维梁;协同过滤推荐系统关键问题研究[D];华中师范大学;2013年
7 沈磊;心理学模型与协同过滤集成的算法研究[D];北京航空航天大学;2010年
8 孙小华;协同过滤系统的稀疏性与冷启动问题研究[D];浙江大学;2005年
9 夏培勇;个性化推荐技术中的协同过滤算法研究[D];中国海洋大学;2011年
10 赵向宇;Top-N协同过滤推荐技术研究[D];北京理工大学;2014年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026