基于时间段图模型的用户行为分段与兴趣建模研究

摘要

在当前社会，推荐系统已经取得了广泛的应用，从小型社区到大型电子商务网站，推荐系统无疑在扮演着十分重要的角色。
　　如何计算用户对一个物品的感兴趣程度在推荐系统领域是一个至关重要的问题。对用户兴趣的预测越准确，推荐算法的准确度就越高。然而用户的兴趣是动态变化的，在不同的时间，用户的兴趣会有不同，这给推荐系统带来了极大的挑战。因此，在对用户的兴趣进行建模时，如何把时间因素考虑在内显得尤为重要。时间段图模型通过在用户物品二分图中增加一个新的结点类型，即时间段结点来引入时间信息。但是时间段图模型中采用了固定时间窗口进行时间段划分的方式，很难对所有用户都划分出在时间上比较聚集的行为记录，且时间段图模型没有考虑到兴趣会随着时间衰减。
　　基于此，本文提出了基于贪心策略的时间段划分方法，并且提出了基于物品时间段二分图的兴趣衰减模型，本文的主要研究工作如下:
　　1)研究了时间信息在图模型中的表示，提出并实现了一个基于贪心策略的时间段划分方法，相比于采用固定时间窗口进行时间段划分的方法，该方法能够更好地适应不同用户具有不同的行为密度的情况。
　　2)研究了图模型中的用户兴趣建模与推荐，提出并实现了基于物品时间段二分图的兴趣衰减模型IDSSTG和GIDSSTG。相比于时间段图模型，该模型考虑到了兴趣随时间衰减的情况，且减少了图的结点数和边的个数，提高了推荐算法的时间效率。
　　3)在前面两步的基础上，实现了物品时间段二分图上的兴趣衰减模型、基于用户的协同过滤和时间段图模型等多种推荐方法，并在公开的数据集MovieLens和豆瓣电影数据集上进行测试和比较，验证了本文所作工作的有效性。

目录

声明

摘要

图目录

表目录

1．1 研究背景与意义

1．2 本文的主要研究内容

1．3 本文的组织结构

1．4 本章小结

第2章 相关工作介绍

2．1．1 协同过滤

2．1．2 内容过滤

2．2 推荐系统的时间动态性研究

2．3 基于图的推荐研究

2．3．1 上下文图

2．3．2 利用查询信息

2．4 现有方法小结

2．5 本章小结

3．1 引言

3．2 时间段图模型

3．2．1 用户物品二分图

3．2．2 时间段结点

3．3 历史行为时间段划分

3．3．1 固定时间窗口的缺点

3．3．2 相邻两次行为时间间隔

3．3．3 基于贪心策略的时间段划分

3．3．4 复杂度分析

3．4 本章小结

第4章 基于时间段图的兴趣衰减模型

4．1 问题描述

4．2 路径融合算法

4．2．1 兴趣传播

4．2．2 广度优先搜索

4．3 兴趣衰减模型

4．3．1 兴趣随时间变化

4．3．2 路径融合算法的不足

4．3．3 物品时间段二分图上的兴趣衰减

4．3．4 不同时间段注入不同的兴趣初值

4．3．5 时间效率分析

4．4 时间段结点与关联分析

4．5 本章小结

5．1．1 MovieLens

5．1．2 豆瓣电影

5．2 实验环境搭建

5．2．1 系统设计

5．2．2 数据采集

5．2．3 信息抽取

5．2．4 算法实现

5．2．5 实验设计

5．2．6 评价指标

5．3 对比方法与结果分析

5．3．1 UserCF

5．3．2 IDSSTG vs．GIDSSTG

5．3．3 λ参数的选取

5．3．4 ρ参数的选取

5．3．5 时间效率比较

5．3．6 结果比较

5．4 本章小结

6．1 工作总结

6．2 工作展望

参考文献

致谢