基于异构信息网络聚类的APP推荐算法研究

摘要

移动应用(Mobile Application，APP)市场采用推荐技术将APP推荐给不同的用户，以此帮助用户从海量的APP中发现感兴趣的内容。但是由于APP所处领域的限制，APP推荐存在一系列的问题，例如APP使用分布容易出现重头和长尾现象、数据稀疏问题、冷启动问题等。其中，重头和长尾现象的出现不利于APP领域的发展，数据稀疏问题则限制了推荐算法的效率，而且随着APP数量的增长，这些问题将日益突出。
　　Netflix竞赛的出现在很大程度上推动了推荐领域的发展，但是APP推荐算法研究还不成熟。目前移动应用市场APP推荐算法主要集中在关联推荐、热门推荐以及新品推荐等，这些传统的推荐方法没有从根本上解决APP推荐面临的问题。随着APP市场的日益完善，APP市场将拥有更加完备的APP信息以及用户信息，如何利用这些信息帮助解决APP推荐面临的一系列问题变得十分重要。
　　针对APP数据集特点，本文提出将排序方法、聚类技术与推荐算法相结合，共同挖掘APP多维度文本数据中蕴藏的关系信息，在此基础上开展基于异构信息网络聚类的APP推荐算法研究。第一，构造多维度文本组成的APP信息网络模型，包括用户、APP、描述文本、发布者信息以及分类信息等。第二，通过两种排序算法获取附属类型对象的排序分布。第三，在排序分布的基础上建立一个针对中心类型的混合概率生成模型，使用EM算法估计参数的最优值，然后依据贝叶斯理论获得对象的后验概率，根据对象的聚类分布重新划分类簇。第四，根据APP以及用户聚类结果开展两种不同的协同过滤算法，即基于伪评分的IBCF（Iterm-Based Collaborative Filtering）算法以及基于时间衰退的UBCF(User-BasedCollaborative Filtering)算法。本文采用360手机助手应用市场中的数据集进行实验分析，实验结果表明本文提出的APP推荐算法能够增强APP推荐的实际效果。

目录

声明

摘要

图目录

表目录

第1章 绪论

1．1 课题背景

1．2 研究内容

1．3 文章结构

1．4 本章小结

第2章 研究现状概述

2．1 个性化推荐算法研究现状

2．1．1 协同过滤推荐算法

2．1．2 基于内容的推荐算法

2．2 相关排序算法研究概述

2．2．1 PageRank排序算法

2．2．2 HITS算法

2．3 相关聚类研究概述

2．3．1 谱聚类

2．3．2 RankClus算法

2．4 本章小结

第3章 APP信息网络模型及排序分布计算

3．1 算法所涉及相关定义

3．2 构造APP星形信息网络

3．2．1 基于APP分类文本的TF-IDF改进方法

3．3 综合权值计算策略

3．3．1 基于下载量的权值计算策略

3．3．2 基于时间窗口的权值计算策略

3．3．3 基于隐式反馈的权值计算策略

3．4 APP附属类型排序分布计算模型

3．4．1 迭代排序算法

3．4．2 基于边权值的排序算法

3．4．3 排序分布计算策略

3．5 本章小结

第4章 基于异构信息网络聚类的推荐算法

4．1 基于排序分布的APP聚类算法

4．1．1 建立概率生成模型

4．1．2 基于贝叶斯理论后验概率计算模型

4．1．3 EM算法估计参数

4．1．4 利用聚类分布进行聚类分析

4．2 基于不同类簇的推荐算法实现

4．2．1 基于伪评分的IBCF算法

4．2．2 基于时间衰退的UBCF算法

4．2．1 冷启动问题处理

4．3 本章小结

第5章 实验与分析

5．1 数据预处理

5．2 实验环境

5．3 评价标准

5．4 结果分析

5．4．1 实验参数

5．4．2 三种综合权值计算策略对比分析

5．4．3 聚类数目对推荐效果的影响

5．4．4 时间衰退系数对Time-UBCF的影响

5．4．5 覆盖率评估

5．4．6 实验总结

5．5 本章小结

第6章 总结与展望

6．1 工作总结

6．2 未来展望

参考文献

攻读硕士学位期间主要的研究成果

致谢