基于时间加权的混合推荐算法研究

摘要

随着互联网的迅猛发展，发布在互联网上的商务信息呈爆炸性增长。但据统计，相对于99％的用户而言，99％的Web信息是无用的，大量的无关信息会干扰甚至淹没用户真正需要的内容。因此，推荐系统应运而生，它利用网站向用户提供商品信息和建议，帮助网站有效地留住用户，防止用户流失。
　　但是随着推荐系统规模的进一步扩大，推荐系统也面临一系列挑战。包括实时性和可扩展性、稀疏性和“冷启动”等方面的问题。这些问题影响了推荐系统的效率和推荐质量。因此，对推荐系统所面临的问题的研究具有十分重要的意义。本文对推荐系统的数据稀疏性问题、推荐精度问题和推荐质量问题进行了深入的研究。
　　本文首先详细地分析了协同过滤算法中的数据稀疏性问题，研究了现有的解决方法，针对传统的相似度度量方法会导致预测误差的问题，提出了一种新的基于SimHash相似度计算方法。算法通过提取项目的特征向量，利用SimHash算法的高效降维，快速计算项目的近邻。然后根据用户对项目近邻的评分结合项目的平均评分得到最后评分填充用户-项目评分矩阵中的空白项。实验证明该方法有效的解决了评分矩阵的稀疏性问题，提高了推荐算法的推荐质量同时还大大减少了算法的时间复杂度，提高了推荐算法的实时响应速度。
　　深入研究了传统的推荐算法，指出了传统的推荐算法忽略了用户的兴趣会随时间而变化这一特点，根据传统推荐算法的不足之处提出了一种基于时间加权的混合推荐算法，该算法在使用基于SimHash的相似度计算方法解决评分矩阵稀疏性问题的基础上，利用用户对项目的评分相似度和评分时间相似度来计算用户间的相似度。最后在预测用户对未评分项的分数时，通过时间衰减因子对分数进行时间加权，实现了用户兴趣的时间效应。实验结果表明该算法解决了因用户的兴趣随时间衰减转变而导致的推荐质量低的问题，丰富了推荐系统的个性化特点。

目录

声明

摘要

第一章 绪论

1．1 研究背景及意义

1．2 国内外研究现状与分析

1．2．1 研究现状简述

1．2．2 研究现状分析

1．3 本文主要工作

1．4 本文的组织结构

第二章 推荐系统及其相关技术

2．1 推荐系统

2．1．1 推荐系统的定义

2．1．2 推荐系统的分类

2．2 推荐算法

2．2．1 基于关联规则的推荐

2．2．2 基于内容的推荐

2．2．3 基于协同过滤的推荐

2．2．4 其他推荐算法简介

2．3 总结

第三章 基于SimHash的相似度计算方法

3．1 数据稀疏性问题和现有解决方法

3．1．1 数据稀疏性问题及其主要成因

3．1．2 现有解决方法

3．2 基于SimHash的相似度计算方法

3．2．1 SimHash算法介绍

3．2．2 基于SimHash的相似度计算方法

3．3 实验结果与算法分析

3．3．1 实验数据集

3．3．2 度量方法

3．3．3 实验结果与分析

3．4 总结

第四章 基于时间加权的混合推荐算法

4．1 问题背景

4．2 一种基于时间加权的混合推荐算法

4．2．1 数据预处理

4．2．2 计算用户的最近邻居

4．2．3 推荐产生

4．3 实验结果与分析

4．3．1 实验数据集

4．3．2 度量方法

4．3．3 实验结果与分析

4．4 总结

第五章 结论

5．1 本文工作

5．2 后续工作

参考文献

致谢