基于相似度自学习的跨域推荐方法研究

摘要

随着大数据时代的到来，用户面临着日益严重的信息过载问题。为了满足用户个性化的需求，推荐系统应运而生。推荐系统就是主动为用户从广泛的信息海洋中寻找出用户喜爱信息的时代产物。其中跨域推荐是针对单领域推荐中数据稀疏以及冷启动用户的问题，联合多个辅助域进行推荐的方法。目前，在跨域推荐的研究主要还是集中在如何通过各种方法或者考虑更全面的因素来提高推荐的准确率的问题上。
　　在跨域推荐中，一方面，针对存在用户对购物评分随意性的情况，在跨域推荐预处理阶段本文提出基于评分可靠性的跨域个性化推荐方法。根据用户现有的评分数据计算出用户评分可靠性，再通过评分可靠性等比分段划分阈值，对评分数量低于阈值的评分进行清除的跨域推荐预处理，降低辅助域随意评分的干扰;另一方面，在推荐处理阶段，根据基于用户相似度自学习的跨域推荐模型，对用户相似度计算进行了更全面的考虑，加入共同物品集、评分时间、用户评分三种因素综合计算用户相似度。同时，在辅助域和目标域中计算共享用户相似度时，提出以目标域为主，辅助域为辅的选择策略，在理论上使得推荐方法更符合实际。最后，将基于评分可靠性的跨域个性化推荐方法和基于用户相似度自学习的跨域推荐方法组合进行推荐。
　　本文在Amazon数据集上进行了验证和对比实验，实验结果表明基于评分可靠性的跨域个性化推荐方法能够提高推荐准确率，以及基于用户相似度自学习的跨域推荐方法中改进的用户相似度方法、对共享用户相似度值的选择策略分别对推荐准确率是有所提高的。最后将基于评分可靠性的跨域推荐方法和基于用户相似度自学习的跨域推荐方法结合能够有效的提高推荐准确率。

目录

声明

摘要

第1章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 国外研究现状

1．2．2 国内研究现状

1．3 本文研究内容与组织结构

1．3．1 论文研究内容

1．3．2 论文组织结构

第2章 相关理论与技术

2．1 推荐领域相关介绍

2．1．1 单领域推荐系统的基本概念

2．1．2 跨域推荐系统的基本概念

2．2 协同过滤推荐算法理论研究

2．2．1 基于矩阵分解的单域推荐方法

2．2．2 基于联合矩阵的跨域推荐方法

2．3 相似性度量方法的理论研究

2．3．1 欧几里得距离相似度

2．3．2 余弦相似度

2．3．3 修正的皮尔逊相似度

2．3．4 Jaccard相似度

2．4 推荐算法评估方法

2．5 本章小结

第3章 基于评分可靠性的跨域个性化推荐方法

3．1 问题的提出

3．2 推荐流程

3．3 基于用户评分可靠性设置阈值

3．3．1 计算用户评分可靠性

3．3．2 根据用户评分可靠性设置阈值

3．3．3 跨域推荐处理阶段

3．4 实验评估

3．4．1 实验数据

3．4．2 对比模型

3．4．3 实验设计

3．4．4 实验评估方法

3．4．5 实验结果及分析

3．5 本章小结

第4章 基于用户相似度自学习的跨域推荐方法

4．1 问题的提出

4．2 推荐流程

4．3 基于用户相似度自学习的跨域推荐方法

4．3．1 用户相似度的改进算法

4．3．2 联合跨域的自学习用户相似度算法

4．3．3 预测融入用户相似度的用户-物品评分矩阵算法

4．4 基于阈值和用户相似度自学习的跨域推荐方法

4．5 实验评估

4．5．1 实验数据

4．5．2 对比模型

4．5．3 实验设计

4．5．4 实验评估方法

4．5．5 实验结果及分析

4．6 本章小结

结论

参考文献

攻读硕士期间发表的文章和取得的科研成果

致谢