融入生活体验的二部图推荐算法

摘要

随着大数据时代的到来，信息过载问题日益严重。推荐系统作为解决信息过载问题的关键技术，在生活中扮演着越来越重要的角色。本文主要将生活体验融入二部图推荐算法来提升算法性能和缓解冷启动问题，主要工作如下：
　　首先，实际购物体验中，用户对物品有选择作用，物品对用户也有吸引作用。而推荐算法中往往忽视了物品对用户的吸引作用，重点关注的是用户的选择作用。针对这个问题，我们提出了融入购物体验的二部图推荐算法，算法将用户和物品之间的相互作用融入二部图算法中，并用最终的相互作用来决定推荐结果。
　　其次，反馈是日常中常见的现象，它往往能起到增强或者稳定系统性能的作用。而二部图推荐算法中结构明显，节点间也很少存在反馈现象。针对这个问题，本文提出了基于反馈作用的均等对称二部图推荐模型。模型中将二部图所有节点视为相同节点，在二部图同类节点内和两部分节点间建立反馈作用，通过反馈调节来增强算法的推荐性能。
　　再次，本文类比了图像中噪声点和推荐算法中的新用户冷启动问题相似点，将二部图选择关系视为是一幅由0、1组成的数字图像，而将新用户看作是0组成的噪声点序列。依托二部图的局部图特性，利用数字图像去除噪声的滤波技术在新用户和原始数据集间建立合理的关系。通过控制新用户加入的比例，在不同比例新用户加入的数据集条件下分别进行二部图推荐算法实验并观察算法性能的改变。据此，提出了缓解新用户冷启动问题的染色算法。
　　最后，为了充分的衡量本文提出算法，本文选取了推荐准确度、召回率、多样性和新颖度四个评价指标，数据集上本文选取了Movielens、Netflix和BookCrossing三组数据集。针对基于购物体验的二部图推荐算法，本文主要引入四组具有代表性的二部图推荐算法作为对比试验。针对基于节点反馈作用的均等对称二部图推荐模型，本文建立了三个不同基础算法的均等对称模型算法来验证建立节点反馈的合理性。针对新用户的冷启动问题，本文引入了两种不同的模板算法并在不同加入新用户比例的条件下进行了推荐实验。通过将生活体验融入二部图推荐算法，本文很好的完成了对二部图推荐算法性能的提升和缓解了新用户的冷启动问题。这些成果也彰显了本文的研究价值。

目录

声明

插图索引

表格索引

符号对照表

缩略语对照表

第一章 绪论

1.1 推荐系统的研究意义与背景

1.2 推荐系统的研究现状

1.3 本文研究内容和结构

第二章 推荐系统相关算法综述

2.1 引言

2.2 协同过滤推荐算法

2.2 基于内容的推荐方法

2.3 混合推荐方法

2.4 二部图推荐算法

2.5 本章小结

第三章 融入购物体验的二部图推荐算法

3.1 引言

3.2 基于购物体验的二部图推荐算法

3.3 实验分析

3.4 本章小结

第四章 基于反馈作用的均等对称二部图推荐模型

4.1 引言

4.2 基于反馈作用的均等对称二部图推荐算法

4.3 实验结果分析

4.4 本章小结

第五章 缓解新用户冷启动问题的染色算法

5.1 引言

5.2 缓解二部图冷启动问题方法示例

5.3 缓解新用户冷启动问题的染色算法

5.4 实验结果分析

5.5 本章小结

第六章 总结与展望

6.1 本文工作总结

6.2 工作展望

参考文献

致谢

作者简介