基于用户行为模型和蚁群聚类的协同过滤推荐算法

摘要

在这个信息技术和互联网迅速发展的时代，人们面临的各种数据越来越多，选择越来越多，已经逐渐从信息缺乏转向了信息过载状态。这对于信息的消费者和提供者双方来说都是一个很大的挑战，对于信息的消费者来说，要在海量数据中快速有效的定位到自己需要并喜欢的东西并不容易;对于信息的提供者来说，如何让自己提供的信息在众多同类信息中脱颖而出也是一个挑战性的问题。推荐系统就是为了解决这样的问题而产生的。它一方面帮助消费者快速发现自己喜欢的信息，另一方面让信息能够自动的展现在匹配的用户面前，达到一种双赢的局面。
　　对于提供影视数据的大型网站来说，推荐系统非常重要。一般推荐系统首先分析用户的浏览历史数据，以及其他用户的数据，然后建立基于这个用户历史数据的个性化模型，对其进行推荐。例如一个用户看了李安导演的少年派的奇幻漂流，那么他很可能想继续观看其他李安导演的电影，我们就把类似的数据推荐给他。
　　协同过滤技术是在线影视数据系统中应用广泛并且非常重要的技术之一，用户的相似性度量是整个算法的核心要素，将会对推荐算法准确率高低产生很大的影响。传统的推荐技术存在以下问题和技术难点:
　　(1)在进行用户聚类时，不同的算法适应的情况也不一样。传统的协同过滤算法采用K近邻算法作为用户聚类算法，在用户评分信息稀疏时通常会导致聚类难以收敛，并且推荐准确度不高。采取蚁群聚类的协同过滤，一定程度上提高了聚类的准确性，改善了推荐结果。
　　(2)传统推荐系统是基于用户历史评分数据的推荐系统，当用户刚刚注册使用系统时，由于缺少相应的历史浏览数据，往往推荐效果不理想。当用户在浏览特定内容时，传统的系统也无法根据用户当前关注的影片，提供更为合理贴切的推荐。
　　(3)影片本身的信息是也推荐过程中的一个重要因素，且具有很强的时效性。传统的推荐系统往往没有结合影片的信息进行推荐。针对以上的问题，本文提出了一种基于用户行为建模的蚁群协同过滤算法影片推荐系统。该系统结合了协同过滤的优点，利用目标用户的邻居人群的喜好对目标用户进行推荐，同时也根据用户自身的浏览行为，侧重维度，当前影片等信息简历个性化用户行为模型，并且结合了影片自身不同维度上的相似度。

目录

摘要

第一章 引言

1．1 研究背景与意义

1．2 国内外研究现状

1．3 当前研究方法的不足

1．4 研究工作概述

1．5 组织结构

第二章 基于邻居模型的协同过滤算法

2．1 基本思想

2．2 相似度计算

2．3 基于用户的K近邻模型

2．4 基于项目的k近邻模型

2．5 本章小结

第三章 基于蚁群模型的协同过滤算法

3．1 蚁群算法基本思想

3．2 蚁群算法的实现

3．3 蚁群聚类

3．4 实验结果分析与讨论

3．5 本章小结

第四章 用户行为建模方法

4．1 基本思想

4．2 影片多维度相似度计算

4．3 用户行为建模

4．4 评价标准

4．5 实验结果分析与讨论

4．6 本章小结

第五章 模型组合方法

5．1 线性组合模型

5．1．1 简单线性回归

5．1．2 精细线性回归

5．2 神经网络模型

5．5 本章小结

第六章 影视推荐系统的实现

6．1 系统总体框架设计

6．2 影视元数据抓取

6．3 用户行为采集模块

6．3 影视推荐模块

6．4 系统运行效果

第七章 总结与展望

致谢

参考文献

声明