一种缓解推荐偏好的个性化推荐算法研究

摘要

计算机和Internet技术的飞速发展,使得信息量的急剧增长的同时也带来了信息超载的问题,这就使得人们在寻找自己想要的信息的时候很难从海量的信息量中有效的发掘出有价值的信息。为解决这一问题,搜索系统应运而生,在使用搜索系统时需要用到搜索关键字,搜索系统是被动服务。与搜索系统相比,推荐系统不受到搜索关键字的限制,并且针对不同的用户,推荐给用户的信息是不同的,推荐系统是主动服务。推荐系统通过收集、分析用户的历史行为记录,发掘用户潜在的兴趣爱好,推荐用户可能感兴趣的对象。推荐系统通常是由用户建模模块、对象建模模块、以及推荐算法模块组成,其核心是推荐算法模块,推荐算法的优劣影响着整个推荐系统的性能。近些年来,随着复杂网络科学的发展,将复杂网络原理应用到推荐系统上成为了个性化推荐系统的一个热门研究方向。
　　本文主要研究了基于复杂网络的推荐算法,深入分析了在推荐系统中对象的不均匀性对于推荐系统性能的影响。由于对象在推荐系统中表现出来不均匀的特性,推荐系统对于热门程度不同的对象的推荐偏好会对个性化推荐系统性产生一定的影响。在基于复杂网络结构的推荐算法中,将用户和对象抽象为网络中的节点,并赋予对象节点一定的初始资源,这种资源能够在网络中扩散。由于资源扩散具有方向性,我们将分配资源出去的对象命名为源对象,接收资源的对象命名为目标对象。基于一种偏好热传导算法,我们考虑了源对象的不均匀性对推荐系统性能的影响,将源对象的度作为扩散的权重,提出了一种改进的偏好热传导推荐算法。我们使用了三个真实的数据集Netflix、RYM和MovieLens用于测试个性化推荐算法的性能。实验结果表明,通过与原先的偏好热传导算法、以及一种性能较优的热传导与物质扩散的混合算法相比较,我们的改进偏好热传导推荐算法在未增加使用其他附加的属性或可调参数的情况下,能够同时提高推荐准确度和推荐多样性,以及对小度对象的推荐准确度。本征值的分析表明,该算法有效缓解了推荐系统对于热门程度不同的对象的推荐偏好,因而能够更好地解决推荐准确度和推荐多样性两难的困境。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 搜索系统与推荐系统

1.2 推荐系统概况

1.3 推荐系统面临的问题

1.4 本课题研究的意义和内容

1.5 论文的组织构架

第2章 推荐系统的组成和效率评价

2.1 推荐系统的组成

2.2 推荐效率的评价指标

2.3 实验数据集

2.4 本章小结

第3章 基于复杂网络的推荐算法研究

3.1 复杂网络概述

3.2 基于复杂网络的推荐算法

3.3 几种基于复杂网络的推荐算法的性能评价

3.4本章小结

第4章 缓解推荐偏好的个性化推荐算法

4.1 缓解推荐偏好的个性化推荐算法

4.2 算法实现流程

4.3 实验结果

4.4 本章小结

第5章 总结与展望

5.1 论文的主要工作总结

5.2 展望

参考文献

发表论文

致谢