基于用户行为数据分析的个性化推荐算法研究

摘要

随着网络的发展，网络数据规模也在呈指数式的增长，面对如此海量的数据，用户很难在短时间内人工过滤对自身无用的数据，而个性化推荐技术作为解决用户信息过载问题的重要技术在这几年中得到了迅速的发展。
　　个性化推荐系统的主要作用就是高效的对资源进行合理的分配，使得用户能够从海量的信息中迅速获得自己想要的信息数据。随着近几年活跃网络用户的不断增加，对用户行为数据的分析成了个性化推荐算法研究的重中之重。由这些用户行为数据所衍生出的时间效应与信任网络更是成了近年来关于推荐技术研究的热点问题。虽然这方面的研究已经得到了相关的发展，但也存在着一些不足之处，而且大多数的研究都是对时间效应与信任网络孤立开来进行研究，而并没有考虑到信任网络也存在时间效应的影响。
　　所以本文针对当下相关算法的不足，从用户行为的时间效应与信任网络两方面开展算法的研究，综合做了如下创新:
　　(1)首先从用户行为数据的时间效应出发对推荐算法展开研究，讨论总结了结合线性时间加权推荐算法的不足之处:用户的兴趣不是单纯呈线性变化，而是分时间段变化的。针对这个不足之处，引入时间窗口技术改进算法。最后选取实验数据集进行实验，验证了改进后的算法有更好的评价指标。
　　(2)接着从用户行为数据的信任网络方面出发对推荐算法进行研究，讨论总结了基于Beth信任模型的推荐算法的不足之处，包括存在信任传递失真与恶意推荐的问题，针对这些不足之处，通过设置信任跳数阈值与添加真假好友判断策略完善Beth信任模型。最后选取实验数据集进行实验，验证了改进后的算法有更好的评价指标。
　　(3)考虑到信任是会随时间变化的，所以将时间效应与信任模型相结合，在两种改进算法的基础上，设计了一种结合时间效应与改进Beth信任模型的推荐算法并选取数据集进行实验，验证了新算法的性能优越性。

目录

声明

摘要

第一章 绪论

1．1 论文研究背景及意义

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 论文组织架构

第二章 个性化推荐算法相关介绍

2．1 个性化推荐系统的基本介绍

2．2 基于关联规则的推荐算法

2．3 协同过滤推荐算法

2．3．1 协同过滤推荐算法理论基础

2．3．2 协同过滤推荐算法分析及步骤

2．4 混合推荐算法

2．4．1 整体混合设计

2．4．2 并行混合设计

2．4．3 流水线混合设计

2．5 个性化推荐算法的主要实验方法及评价标准

2．5．1 个性化推荐算法的主要实验方法

2．5．2 个性化推荐算法的评价标准

2．6 个性化推荐算法所面临的问题

2．7 本章小结

第三章 结合时间效应的推荐算法研究

3．1 时间效应简介

3．2 线性时间加权推荐算法

3．2．1 算法分析

3．2．2 算法流程图及步骤

3．3 结合时间窗口技术的时间加权推荐算法

3．3．1 算法分析

3．3．2 算法流程图及步骤

3．4 实验

3．4．1 数据集介绍

3．4．2 具体实验设计

3．4．3 实验结果分析

3．5 本章小结

第四章 结合信任度的推荐算法研究

4．1 用户行为信任网络

4．2 用户行为信任度

4．2．1 信任度的分类

4．2．2 信任度的影响因素

4．3 基于Beth信任模型的推荐算法

4．3．1 Beth信任模型

4．3．2 算法流程图及步骤

4．4 基于改进Beth信任模型的推荐算法

4．4．2 改进的Beth模型

4．4．3 基于改进Beth信任模型推荐算法流程图及步骤

4．5 实验

4．5．1 数据集介绍

4．5．2 具体实验设计

4．5．3 实验结果分析

4．6 本章小结

第五章 时间效应与信任模型相结合的推荐算法研究

5．1 改进时间效应算法与改进信任模型算法比较

5．2 时间效应与信任模型相结合的推荐算法分析

5．3 算法流程图及步骤

5．4 实验

5．4．1 数据集介绍

5．4．2 具体实验设计

5．4．3 实验结果分析

5．5 本章小结

6．1 工作总结

6．2 展望

致谢

参考文献

作者简介