收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

Top-N协同过滤推荐技术研究

赵向宇  
【摘要】:随着计算机和网络技术的飞速发展,互联网逐渐走进了人们的日常生活,彻底改变了人们获取信息的方式。海量的网络信息为满足用户的信息需求提供了保证,给人们带来了极大的便利。但是,网络信息的多样性和多变性导致了信息的过度膨胀,带来了信息过载问题,使人们难以快速、准确地从浩瀚的信息资源中寻找所需要的信息。推荐系统通过对用户行为数据进行分析、建模,预测并推荐用户可能感兴趣的产品,可以一定程度上解决信息过载问题。另一方面,推荐系统是大数据背景下研究和应用海量数据的热点领域,是网络时代向信息时代转变的重要技术。正是由于其巨大的理论及应用价值,推荐系统及相关技术成为近年来研究的热门课题,受到了学术界和产业界的广泛重视。 推荐系统的目标是帮助用户选择一些用户自己可能感兴趣的产品,并将其以合适的形式展现给用户,Top-N推荐是其中的重要问题。协同过滤推荐算法是推荐系统中的关键技术之一,在理论研究和实际应用两方面都获得了长足的发展。但是,随着用户数量和系统规模的不断扩大,协同过滤推荐技术仍然存在着一些亟待解决的问题,包括数据稀疏性、冷启动、流行偏置、可扩展性、动态性、准确率和多样性等。本论文主要研究解决其中的数据稀疏性和流行偏置问题,具体研究内容和创新成果包括: 1)针对协同过滤推荐中的流行偏置问题,即传统推荐算法往往倾向于推荐流行度较高的产品,提出了一种基于意见的协同过滤推荐算法。本论文从用户行为数据的产生过程对用户模型的影响进行分析,考虑用户行为受到各种广告、口碑、推荐等因素的影响,针对不同行为对用户模型的表达能力不同,利用用户意见信息和产品流行度信息构建用户行为的置信度函数,并使用该置信度函数调节产品对用户模型的影响,提出了基于意见的协同过滤推荐算法。实验结果表明该算法比传统的推荐算法具有更好的Top-N推荐准确率和多样性,可以有效缓解推荐系统的流行偏置问题。 2)针对协同过滤推荐的数据稀疏性问题,提出对缺失数据中的负例信息建模的方法,并将其用于改进矩阵分解推荐算法。数据稀疏性问题是指推荐系统中的用户-产品评分矩阵极其稀疏,大量评分数据缺失,为推荐系统挖掘用户兴趣、向用户推荐产品带来了极大挑战。本论文考虑在数据稀疏背景下,缺失数据中包含用户兴趣的负例信息,分别提出加权法、随机抽样法和近邻抽样法三种对缺失数据建模的方法,识别其中用户兴趣的负例信息,并利用这些负例信息调节推荐模型的训练过程,改进矩阵分解推荐算法。实验结果表明这些改进算法有效提升了基线算法的Top-N推荐准确率和多样性。 3)针对协同过滤推荐算法中传统用户行为模式假设用户随机选择产品并评分的局限性,考虑用户选择产品并决定对其评分本身就是一种用户兴趣的体现,提出两阶段用户行为模式和两步预测推荐算法。两阶段用户行为模式将用户选择产品进行评分和用户给出对产品的评分值区分开来,将其视为用户行为的两个阶段。为验证两阶段用户行为模式的有效性,本论文分析了它与传统用户行为模式的区别,并利用真实的推荐系统数据集进行了数据分析和验证。之后,通过对两阶段用户行为模式的仿真,提出一种两步预测推荐算法框架,分两步预测用户对产品评分的概率和用户对产品的评分值,然后整合两步预测的结果完成推荐任务。最后,本论文提出了两种两步预测推荐算法框架的具体实现,分别是基于近邻的两步预测推荐算法和基于模型的两步预测推荐算法。实验结果表明,两步预测推荐算法的Top-N推荐效果优于主流推荐算法,验证了两阶段用户行为模式和两步预测推荐算法的有效性。


知网文化
【相似文献】
中国期刊全文数据库 前20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
11 张巍,刘鲁,葛健;一种基于粗集的协同过滤算法[J];小型微型计算机系统;2005年11期
12 徐莉;;结合人口分类特征知识的协同过滤算法[J];安徽科技学院学报;2007年02期
13 王惠敏;聂规划;;融合用户和项目相关信息的协同过滤算法研究[J];武汉理工大学学报;2007年07期
14 丛晓琪;杨怀珍;刘枚莲;;基于时间加权的协同过滤算法研究[J];计算机应用与软件;2009年08期
15 张付志;张启凤;;一种改进的基于流形对齐的协同过滤算法[J];模式识别与人工智能;2009年04期
16 夏秀峰;郝仲模;李磊;;考虑年度日程表事件的协同过滤推荐[J];计算机工程与应用;2010年11期
17 朱敏;苏博;;基于奇异值分解的协同过滤推荐算法研究[J];计算机安全;2010年07期
18 王晓堤;王屾;赵旭;;基于用户可信度聚类的协同过滤推荐模型[J];微计算机信息;2010年30期
19 徐南;王新生;;协同过滤系统隐私保护和推荐准确性研究[J];计算机工程;2010年23期
20 安德智;刘光明;章恒;;基于协同过滤的图书推荐模型[J];图书情报工作;2011年01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 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
5 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
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
中国硕士学位论文全文数据库 前10条
1 胡淼;基于协同过滤的服务评价方法的研究[D];哈尔滨工程大学;2008年
2 赵伟;基于评分预测和概率融合的协同过滤研究[D];河南大学;2007年
3 彭玉;基于用户个人特征的多内容项目协同过滤推荐[D];西南大学;2007年
4 李冉;基于用户实时反馈的协同过滤算法研究[D];重庆大学;2011年
5 孙凯;协同过滤移动社区的研究与实现[D];北京邮电大学;2012年
6 全智超;基于用户性格的协同过滤推荐研究[D];首都师范大学;2014年
7 张亮;基于协同过滤与划分聚类的推荐算法研究[D];吉林大学;2014年
8 白龙;融合数据检测与用户信任的协同过滤算法研究[D];燕山大学;2010年
9 王均波;协同过滤推荐算法及其改进研究[D];重庆大学;2010年
10 况亚萍;云计算技术在协同过滤推荐中的应用研究[D];中国科学技术大学;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
  • 010-62982499
  • 010-62783978