融合用户属性和兴趣的最大熵推荐算法研究

摘要

电子商务为人们提供方便的同时，海量增长的商品信息却让用户难以取舍，造成“信息过载”。由此，个性化推荐技术在电子商务活动中越来越受到重视，它可以在网络上快速、准确地向用户推荐其可能感兴趣的商品信息，为用户提供便捷的推送服务，同时也增加了商品的购买概率，为商家带来利益。协同过滤技术作为应用最为广泛与成功的推荐技术之一，受到研究者的广泛关注，使用协同过滤技术为用户提供高效的商品推荐服务，提高用户在电子购物过程中的体验满意度有着重要的实际意义。
　　本文对个性化推荐系统的多个方面进行了研究分析，重点研究最大熵模型在推荐系统中的应用，以此为基础，建立了一种混合技术的协同过滤推荐模型。本文完成了下述具体研究工作：
　　第一，深入研究比较了几种主要的推荐技术，其中包括推荐系统的基本组成结构，各种主流推荐技术的实现方式，以及不同推荐技术自身的优缺点，重点对协同过滤技术中常用算法给予详细的分析说明，并且分析了协同过滤算法面临的多种问题，以及当前已有的一些改进方法。
　　第二，研究最大熵模型数学理论，并将最大熵模型应用到个性化推荐中，得到一种全新的区别于传统基于邻居集合的协同过滤评分预测模型。在模型中，依靠用户基本属性信息和用户的兴趣信息作为评分分类依据，建立对项目评分分类的概率预测模型，模型在满足所有特征约束条件下，分类概率具有最好的均衡性。
　　第三，研究将用户的基本属性信息融入到模型中，通过建立预测项目评分分类和用户属性之间的特征约束，使得在用户评分信息不充分的情况下模型能够提供稳定的预测结果。
　　第四，研究将用户的兴趣信息融入到最大熵模型中，本文中用户的兴趣表现为用户对项目的评分，文中使用基于项目间评分最大相关的方法为预测项目选择条件项目，建立基于用户项目评分的特征约束，其中最大相关的计算方法引用了信息论中互信息的度量方法。
　　最后在 MovieLens数据集上，对本文算法进行多方面的综合测试，并与传统的基于邻居集合的协同过滤算法进行对比分析，实验结果显示本文所提方法在预测未知用户评分方面拥有更高的准确性。

目录

封面

中文摘要

英文摘要

目录

1 绪论

1.1 研究背景及意义

1.2 研究现状

1.3 本文研究内容

1.4 论文组织结构

2 电子商务个性化推荐系统分析

2.1 电子商务推荐系统概述

2.2 电子商务推荐系统框架

2.3 个性化推荐相关技术

2.4 推荐技术比较

2.5 本章小结

3 协同过滤推荐算法

3.1 协同过滤基本原理

3.2 基于内存的协同过滤算法

3.3 基于模型的协同过滤算法

3.4 协同过滤算法分析

3.5 本章小结

4 融合用户属性和兴趣的最大熵推荐算法

4.1 问题提出

4.2 最大熵模型概述

4.3 基于最大熵的协同过滤模型

4.4 模型的特征约束

4.5 模型求解

4.6 算法流程

4.7 本章小结

5 实验设计与结果分析

5.1 实验数据与环境

5.2 评价指标

5.3 实验设计

5.4 实验结果及分析

5.5 本章小结

6 总结与展望

6.1 总结

6.2 下一步工作展望

致谢

参考文献

附录