基于稀疏线性方法的Top-N推荐算法研究

摘要

实时更新的网络信息为人们的生活带来了极大的便捷，同时大量的网络信息带来的信息过载问题也给人们的生活和工作带来一定的困扰。推荐系统的出现在一定程度上的缓解了这种困扰，减轻了当今社会中信息过载的问题，为人们的生活和工作保留了大量的时间。在近些年推荐系统的研究和发展过程中，Top-N推荐问题逐渐成为推荐系统中研究重点部分，多种高效的推荐算法被不断的提出。目前在Top-N推荐算法中，稀疏线性方法与其他方法相比具有明显的优势，但是经研究发现使用稀疏线性方法可能会不会很好的捕捉到不同用户之间的喜好差异，导致推荐结果精度趋于一个平均值。
　　针对Top-N推荐中推荐精度不高的问题，本文选择稀疏线性方法作为理论基础，提出了一种基于稀疏线性方法的个性化组合方法。首先，针对不同用户之间具有不同喜好的问题，使用多元局部模型的思想将所有用户分为多个用户子集并使用稀疏线性方法为多个用户子集构建多元局部模型，用以捕获不同用户的喜好差异。接着，将传统稀疏线性方法训练出的全局模型和多元局部模型以一种个性化的方式进行组合，多元局部模型负责保证组合模型可以有效的捕获不同用户之间的喜好差异，全局模型可以保证组合模型的精度。个性化权重控制多元局部模型和全局模型在组合模型中所占的比例，更新个性化权重就可以有效的为用户寻找适合的用户子集。在一定程度上，解决了Top-N推荐中不能捕获不同用户之间喜好差异和推荐结果精度不高的问题。
　　通过选取多种类型的实验数据并设计实验，首先验证了本文提出的组合方法与单一方法相比的优势，接着将本文提出的方法与目前在Top-N推荐中流行的多种方法进行比较。实验结果证明本文提出的方法在HR和ARHR两个方面均得到了优化。

目录

声明

摘要

第1章绪论

1．1课题背景

1．2课题研究目的及意义

1．3国内外研究现状及分析

1．3．1协同过滤推荐

1．3．2基于内容的推荐

1．3．3混合推荐方法

1．3．4 Top-N推荐

1．4论文研究内容及组织结构

1．4．1论文研究内容

1．4．2论文组织结构

第2章相关理论

2．1引言

2．2稀疏线性方法

2．2．1符号表示

2．2．2稀疏线性方法

2．3多元局部模型

2．4模型选择及评估方法

2．5本章小结

第3章基于稀疏线·I生方法的组合方法研究

3．1引言

3．2传统推荐方法存在的问题

3．3基于稀疏线性方法的多元局部模型

3．3．1符号表示

3．3．2多元局部模型

3．4基于稀疏线性方法的组合方法

3．5本章小结

第4章仿真实验与分析

4．1实验环境与实验数据

4．1．1实验环境

4．1．2实验数据

4．2模型对比及结果分析

4．3实验参数的选择

4．3．1随机初始化用户子集

4．3．2推荐列表的数目

4．4实验结果及分析

4．5本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢