收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于三部图和时间效应的推荐算法研究

牟斌皓  
【摘要】:信息技术和互联网的发展导致信息总量急剧膨胀,人们已经从信息匮乏的时代进入了信息过载的时代。信息过载对用户和信息生产者都提出了很大的挑战:对于用户来说,从海量的信息中找到有价值的信息变得相当困难;对于信息生产者来说,他们生产的信息也很难得到用户的关注。在众多信息过载问题的解决方案中,推荐系统脱颖而出,它能够根据用户的历史行为数据分析用户兴趣,自动地为用户推荐他们可能感兴趣的物品。推荐系统通常利用用户行为数据、标签和上下文信息来预测用户评分或者为用户推荐物品。本文主要研究三部图中不同信息组合方式对于推荐结果质量的影响;提出了一种同时考虑用户长期和短期兴趣的类型概率算法(Type Probability),进一步考虑时间效应为用户进行推荐。第一,本文构造了关于评分信息和标签信息的三部图,根据不同信息的组合提取了十种推荐算法。前两种算法只考虑用户和物品之间的关系,为传统的协同过滤算法。中间四种算法分别以用户或物品为中心,利用评分信息和相应的标签信息来预测用户评分或生成推荐列表。最后四种算法只考虑不同类型的标签信息,利用标签信息进行评分预测和Top N推荐,为基于标签的推荐算法。本文分析了以上十种算法的时间复杂度,使用平均绝对误差(MAE)和均方根误差(RMSE)对比了十种算法评分预测的准确度。在Top N推荐方面,比较了不同算法Top N推荐结果的准确率(precision)、召回率(recall)和覆盖率(coverage)。在MovieLens 100K和MovieLens 1M上的实验结果表明:物品标签-物品-用户的信息组合最佳;使用线性融合后的信息能够有效地提高算法评分预测和Top N推荐的质量。第二,模拟推荐系统真实运行场景,进一步研究了时间上下文信息对于推荐结果的影响。本文提出了同时考虑用户短期兴趣和长期兴趣的类型概率算法,比较了三种非个性化推荐算法和四种个性化推荐算法Top N推荐的命中率(hitratio)。在MovieLens 100K上的实验结果表明:时间上下文信息对于提高Top N推荐命中率至关重要;在考虑时间效应后,时下热门算法的命中率要高于其他算法,本文提出的类型概率算法在特定时间窗口下的能有效提高推荐的命中率。


知网文化
【相似文献】
中国期刊全文数据库 前13条
1 俞伟;徐德华;;推荐算法概述与展望[J];科技与创新;2019年04期
2 张世东;;推荐算法概述[J];科技传播;2019年04期
3 陈军;谢卫红;陈扬森;;国内外大数据推荐算法领域前沿动态研究[J];中国科技论坛;2018年01期
4 向洋乐;;大数据背景下互联网购物推荐算法应用研究[J];中国战略新兴产业;2018年04期
5 喻国明;刘钰菡;王畅颖;王丹敏;;推荐算法:信息推送的王者品性与进阶重点[J];山东社会科学;2018年03期
6 刘顺程;岳思颖;钟瑞敏;;基于拉普拉斯噪声的轻型推荐算法[J];中国战略新兴产业;2018年20期
7 刘涛;刘佐;;一种面向新文章的个性化推荐算法研究[J];控制工程;2018年06期
8 汪海鹏;郑扬飞;;基于特征值的律师推荐算法及改进方案[J];计算机与现代化;2018年10期
9 李圣秋;吴伟明;谷勇浩;;一种结合评分时间特性的协同过滤推荐算法[J];软件;2016年11期
10 谢桂林;詹志强;李凯;;基于聚类的因子分解机推荐算法研究[J];软件;2016年10期
11 彭慧洁;;移动网络环境下个性化信息推荐算法研究[J];电子商务;2016年12期
12 傅汉霖;顾小宇;;图书推荐算法综述[J];计算机时代;2016年12期
13 郭晓慧;;基于层次分析的个性化推荐算法[J];长春工业大学学报;2016年06期
中国重要会议论文全文数据库 前10条
1 米传民;彭鹏;单晓菲;马静;;考虑显式评分的基于二部图的推荐算法[A];第十七届中国管理科学学术年会论文集[C];2015年
2 秦国;杜小勇;;基于用户层次信息的协同推荐算法[A];第二十一届中国数据库学术会议论文集(技术报告篇)[C];2004年
3 王韬丞;罗喜军;杜小勇;;基于层次的推荐:一种新的个性化推荐算法[A];第二十四届中国数据库学术会议论文集(技术报告篇)[C];2007年
4 唐灿;;基于模糊用户心理模式的个性化推荐算法[A];2008年计算机应用技术交流会论文集[C];2008年
5 苏日启;胡皓;汪秉宏;;基于网络的含时推荐算法[A];第五届全国复杂网络学术会议论文(摘要)汇集[C];2009年
6 梁莘燊;刘莹;;基于效能的学术资源推荐算法研究[A];第六届(2011)中国管理学年会——信息管理分会场论文集[C];2011年
7 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
8 周玉妮;郑会颂;;基于浏览路径选择的蚁群推荐算法:用于移动商务个性化推荐系统[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年
9 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
10 高琪;辛乐;;基于用户偏好度模型和情感计算的产品推荐算法[A];第二十九届中国控制会议论文集[C];2010年
中国博士学位论文全文数据库 前10条
1 丁永刚;融合多指标评分与多源文本的推荐算法研究[D];武汉大学;2018年
2 李文俊;时间感知的推荐算法研究[D];电子科技大学;2017年
3 伊华伟;基于可疑用户度量的鲁棒推荐方法研究[D];燕山大学;2016年
4 冯浩源;动态用户兴趣模型构建及推荐算法研究[D];天津大学;2017年
5 陈玲姣;基于社交网络个体行为特征的信息推荐算法研究[D];电子科技大学;2018年
6 杨雷;基于机器学习的个性化推荐算法研究[D];哈尔滨工程大学;2017年
7 李慧;社会网络环境下的个性化推荐算法研究[D];中国矿业大学;2016年
8 许鹏远;多因素综合框架的协同过滤推荐算法[D];大连理工大学;2017年
9 郭磊;社会网络中基于社会关系的推荐算法研究[D];山东大学;2015年
10 王智谨;基于用户分解和社交融合的推荐算法研究[D];华东师范大学;2016年
中国硕士学位论文全文数据库 前10条
1 洪之渊;基于协同过滤与马尔可夫过程的高校图书推荐算法研究[D];浙江工业大学;2018年
2 张逸宁;面向移动通信网络的机会性内容推荐算法研究[D];厦门大学;2017年
3 吕明;基于协同推荐算法的个性化选课信息管理系统设计与实现[D];华中师范大学;2017年
4 刘国梁;大数据环境下基于用户行为的个性化推荐算法研究[D];兰州交通大学;2017年
5 孙康高;基于模型融合的可视交互推荐方法研究与实现[D];浙江工业大学;2018年
6 屠海龙;基于大数据的协同过滤推荐算法研究[D];浙江工业大学;2018年
7 石义龙;面向数据稀疏性问题的推荐算法研究[D];武汉理工大学;2018年
8 何佶星;基于平均偏好权重的混合推荐算法研究[D];西南石油大学;2018年
9 廖称发;基于“人脸画像”的广告推荐算法及应用研究[D];厦门大学;2018年
10 牟斌皓;基于三部图和时间效应的推荐算法研究[D];西南石油大学;2018年
中国重要报纸全文数据库 前10条
1 建行上海市分行 王慧;试析商业银行“协同过滤推荐算法”[N];上海金融报;2017年
2 记者 王李科;四川首个人工智能政策引擎在双流区正式上线[N];成都日报;2017年
3 记者 王夕;网络也会“读心术”[N];北京科技报;2011年
4 中国青年报·中青在线记者 杜园春 实习生 高卿雯;大数据为新生寻找志同道合舍友[N];中国青年报;2018年
5 林芮;当心“过滤泡泡”主宰了你[N];人民日报;2016年
6 本报记者 程墨 特约通讯员 杨保华;武汉理工“冒”出数十个百万身家大学生[N];中国教育报;2015年
7 张昊;Goodreads,与敌人睡觉[N];经济观察报;2013年
8 约瑟夫·A·孔斯坦 约翰·李德 美国明尼苏达大学的计算机科学教授;购物网站“猜你喜欢”背后的商业法则[N];消费日报;2015年
9 吕晓勋;你在读书,谁在读你?[N];人民日报;2016年
10 本报记者 杨晓音;Netflix:一场数据逆袭战[N];中国经营报;2013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