收藏本站
《西北大学》 2017年
收藏 | 手机打开
二维码
手机客户端打开本文

上下文感知推荐系统关键问题研究

高全力  
【摘要】:“大数据”时代给各种网络环境下的信息内容服务带来了新的机遇与挑战,一方面海量信息资源丰富了服务内容,提供了更全面的数据支撑;另一方面从海量数据中挖掘出满足不同用户需求的有价值资源将更加困难,并且由于海量数据的超高维、稀疏性、价值密度低等特点,加剧了“信息过载”问题对用户接受信息内容服务的影响。上下文感知推荐系统作为缓解上述问题的核心支撑技术之一,近年来在学术界与工业界受到了广泛关注与深入研究。但是在其支撑数据、推荐算法等核心部分的研究仍存不足,具体表现在支撑数据的不准确性、稀疏性影响了偏好模型的准确度,推荐算法对于用户决策的影响因素研究不足影响了推荐质量等。那么研究建立能够解决上述问题的上下文感知推荐系统,将能够有力的促进“大数据”环境下信息内容服务的发展,具有重要的研究意义与实际价值。本文针对上下文感知推荐系统的支撑数据、核心算法等提出了新的优化策略与实现方法,所解决的问题主要包括:如何修正用户历史偏好数据中的伪偏好行为;如何解决历史偏好数据的稀疏性问题;在此基础上,如何从多视图角度建立用户的偏好模型;如何进一步的将用户认知行为融入偏好模型的建立过程;如何引入群集认知行为优化偏好模型等。具体的解决方案如下:(1)针对用户历史偏好行为中存在的不符合其偏好模型的行为记录,影响偏好获取准确率的问题,提出了一种基于决策欺骗自适应修正模型的上下文感知偏好获取方法。该方法首先采用同类中心点距离分离出用户历史行为中的伪偏好行为,将上下文行为波动与上下文偏好波动进行交叉验证,并结合模糊隶属函数将伪偏好行为关联至模糊决策欺骗类,最后分别引入不同的行为补偿策略,以逐步提取更为精确的用户偏好。实验结果表明,所提出方法优于经典的协同过滤算法及上下文感知推荐算法,说明其能够有效的缓解伪偏好行为对于推荐质量的影响。(2)针对现有情景推荐系统所采用的行为相似度度量方法,受数据稀疏性的影响难以获取用户真正的偏好最近邻问题,提出了一种结合基准相似空间分布优化的用户偏好获取方法。首先通过偏好行为度量策略获取用户间初始的偏好行为近似程度,根据近似程度的分布特征获取偏好中心点,并基于偏好行为近似程度距偏好中心点的行为距离获取平均相似幅度,进而生成基准相似空间,通过建立基于平均近邻与异常评分交互影响的修正模型,优化基准相似空间并生成推荐结果。仿真实验结果表明,相比于现有方法,能够在大规模稀疏数据集上获取到更加准确的最近邻用户,并显著的提高了推荐准确度,验证了所提出方法能够有效的缓解数据稀疏性问题。(3)针对现有的情景推荐方法仅从单视图角度为用户生成推荐服务所导致的推荐精度低、适用性差等问题,提出了一种基于多视图相似关系融合的上下文感知推荐方法,首先基于直接相似性与间接相似性获取用户与用户间的相似关系,再利用概念相似性算法获取用户与项目间的相似关系,然后基于线性判别分析对上述两种视图数据进行特征融合,通过投影变换并引入线性判别准则,获取具有最大类间离散度,最小类内离散度的投影方向,也即是具有最优推荐效果的投影方向。实验结果表明,相比于现有方法,能够更加准确的挖掘用户偏好间的关联关系,进一步提高了推荐质量。(4)为挖掘在各类型上下文环境中的认知行为与用户偏好间的内在联系,提出了一种基于用户认知行为的上下文感知偏好获取方法。在多维上下文环境下,将认知水平、认知风险、有效认知行为等认知概念引入偏好获取过程,并分别给出其概念定义及计算方法,通过建立多种认知因素交互影响的偏好获取模型,分别提取在单维与多维上下文环境下的用户偏好。在大规模真实数据集上的实验结果表明,偏好获取质量优于基于行为的上下文感知推荐方法,说明该方法能够有效的挖掘用户认知行为与其偏好间的关联关系,同时也验证了从认知层面建立用户偏好模型的可行性与有效性。(5)为挖掘在社会化网络环境下用户认知心理与其偏好行为间的内在联系,受分布式认知模型及多视图学习理论启发,提出了一种基于多视图群集认知优化的上下文感知推荐方法,基于社交关系网络与个体认知行为,从社会化认知的角度获取用户认知行为间的关联关系,建立了包含认知依赖、认知风险、群集认知等因素的认知关系网络模型,并从用户属性、认知关系、项目认知价值等视图出发,通过特征融合、投影变换并引入Fisher判别准则,建立基于多视图优化的偏好获取模型。在大规模真实数据集上的实验结果显示,相比于现有方法推荐准确率平均提升了 20.19%,多样性提高近44.89%。在验证所提出方法有效性的同时,也说明了用户的认知行为会受到相关用户群组的影响,并且基于真实社交环境的群集认知模型,相比于仅从用户层面度量其认知行为,能够更加准确的反映出用户的认知状态。
【学位授予单位】:西北大学
【学位级别】:博士
【学位授予年份】:2017
【分类号】:TP391.3

【相似文献】
中国期刊全文数据库 前10条
1 ;电商推荐系统进阶[J];IT经理世界;2013年11期
2 米可菲;张勇;邢春晓;蔚欣;;面向大数据的开源推荐系统分析[J];计算机与数字工程;2013年10期
3 脱建勇;王嵩;李秀;刘文煌;;精品课共享中的推荐系统框架与实现[J];计算机工程与设计;2006年17期
4 苏冠贤;张丽霞;林丕源;刘吉平;;生物信息学推荐系统的设计与实现[J];计算机应用研究;2007年05期
5 王改芬;;推荐系统研究综述[J];软件导刊;2007年23期
6 叶群来;;营销与网络推荐系统[J];电子商务;2007年10期
7 李媚;;个性化网络学习资源推荐系统研究[J];福建电脑;2008年12期
8 潘冉;姜丽红;;基于经济学模型的推荐系统的研究[J];计算机应用与软件;2008年03期
9 刘鲁;任晓丽;;推荐系统研究进展及展望[J];信息系统学报;2008年01期
10 刘小燕;陈艳丽;贾宗璞;沈记全;;基于增强学习的旅行计划推荐系统[J];计算机工程;2010年21期
中国重要会议论文全文数据库 前8条
1 张燕;李燕萍;;基于内容分析和点击率记录的混合音乐推荐系统[A];2009年通信理论与信号处理学术年会论文集[C];2009年
2 赵欣;寇纲;邬文帅;卢艳群;;基于时间密集性的推荐系统攻击检测[A];第六届(2011)中国管理学年会论文摘要集[C];2011年
3 张玉连;张波;张敏;;改进的个性化信息推荐系统的设计与实现[A];2005年全国理论计算机科学学术年会论文集[C];2005年
4 王君;许洁萍;;层次音乐推荐系统的研究[A];第18届全国多媒体学术会议(NCMT2009)、第5届全国人机交互学术会议(CHCI2009)、第5届全国普适计算学术会议(PCC2009)论文集[C];2009年
5 潘宇;林鸿飞;杨志豪;;基于用户聚类的电子商务推荐系统[A];第三届学生计算语言学研讨会论文集[C];2006年
6 尤忠彬;陈越;张英;朱扬勇;;基于Web服务的技术转移平台推荐系统研究[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
7 王国霞;刘贺平;李擎;;二部图影射及其在推荐系统中的应用[A];第25届中国控制与决策会议论文集[C];2013年
8 王雪;董爱华;吴怡之;;基于RFID技术的智能服装推荐系统设计[A];2011年全国电子信息技术与应用学术会议论文集[C];2011年
中国重要报纸全文数据库 前2条
1 ;大数据如何“落地”[N];中国新闻出版报;2014年
2 本报记者 邹大斌;大数据:电商新武器[N];计算机世界;2012年
中国博士学位论文全文数据库 前10条
1 高全力;上下文感知推荐系统关键问题研究[D];西北大学;2017年
2 周魏;推荐系统中基于目标项目分析的托攻击检测研究[D];重庆大学;2015年
3 田刚;融合维基知识的情境感知Web服务发现方法研究[D];武汉大学;2015年
4 胡亮;集成多元信息的推荐系统建模方法的研究[D];上海交通大学;2015年
5 孙丽梅;Web-based推荐系统中若干关键问题研究[D];东北大学;2013年
6 郑麟;基于属性提升与偏好集成的上下文感知推荐[D];武汉大学;2017年
7 于鹏华;数据数量与质量敏感的推荐系统若干问题研究[D];浙江大学;2016年
8 王宏宇;商务推荐系统的设计研究[D];中国科学技术大学;2007年
9 杨东辉;基于情感相似度的社会化推荐系统研究[D];哈尔滨工业大学;2014年
10 曹渝昆;基于神经网络和模糊逻辑的智能推荐系统研究[D];重庆大学;2006年
中国硕士学位论文全文数据库 前10条
1 朱孔真;基于云计算的电子商务智能推荐系统研究[D];武汉理工大学;2014年
2 郭敬泽;基于赋权评分和Dpark的分布式推荐系统研究与实现[D];天津理工大学;2015年
3 周俊宇;信息推荐系统的研究与设计[D];江南大学;2015年
4 李炜;基于电子商务平台的保险推荐系统的设计与实现[D];复旦大学;2013年
5 车丰;基于排序主题模型的论文推荐系统[D];大连海事大学;2015年
6 秦大路;基于因式分解机模型的上下文感知推荐系统研究[D];郑州大学;2015年
7 徐霞婷;动态路网监控与导航推荐系统的设计与实现[D];苏州大学;2015年
8 黄学峰;基于Hadoop的电影推荐系统研究与实现[D];南京师范大学;2015年
9 路小瑞;基于Hadoop平台的职位推荐系统的设计与实现[D];上海交通大学;2015年
10 李爱宝;基于组合消费行为分析的团购推荐系统的设计与实现[D];哈尔滨工业大学;2015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