个性化智能推荐系统研究

摘要

网络与信息技术的飞速发展，在为信息的生产与传播提供便利的时候也为信息的消费带来了巨大的困扰。随之而来的“信息过载”问题不仅令信息生产者为如何让自己的产品引入注目而担忧，同时也令信息消费者为如何获取到自己心仪的信息而苦恼。以谷歌、百度为代表的搜索引擎在某些程度上可以缓解由“信息过载”带来的困难，然而面对个性化需求、自动匹配、歧义等问题，搜索引擎也是爱莫能助。在以上环境的推动下，推荐系统便登上了历史舞台。
　　个性化智能推荐系统发展至今已经取得了巨大的成就，以CF、MF、LFM为代表的经典推荐算法在亚马逊、Netflix、淘宝、豆瓣等各大网站取得了令人惊喜的成果。但是冷启动、稀疏性、系统准确性多样性两难等亟待解决的问题依然困扰着推荐系统，制约着它的性能，一个好的推荐系统需要尽可能的缓解或者避免这些问题。文章简单的对UGC存在的主观、繁琐等问题以及传统推荐算法存在的多样性差的问题进行了介绍并提出了相应的改进算法。本文主要研究工作如下:
　　简要的介绍了个性化智能推荐系统的研究背景与意义，分析了发展过程中该领域关注的问题的变化与规律，并对推荐系统中一些常见的经典算法进行了简单的概述。
　　对UGC存在的用户参与性要求高、标签复杂不便于不管理并且有效性弱等问题进行了分析，针对这些问题提出了一种利用商品被标定的高效的属性标签进行商品建模以及用户建模的方法IAUM，并基于IAUM设计了高准确率的推荐系统。IAUM主要采用One-Hot编码方法以及LWSM算法实现商品与用户建模。在公开数据集MovieLens1M上的实验表明IAUM拥有比MF更为出众的准确率。
　　简要的对传统推荐方法存在的多样性低、用户体验有待提高的问题以及现有的一些改进方法进行了介绍，针对这些问题提出了两种增强多样性的矩阵分解算法RDMF和DMF，并基于RDMF和DMF设计了高准确率、自适应多样性的推荐系统。RDMF与DMF通过独立抽取多样性影响因子的方法使分解过程既优化准确性又兼顾多样性。实验结果表明基于RDMF与DMF的推荐系统准确率优于基于MF的推荐系统，并且推荐结果更贴合各个用户的多样性偏好。

目录

声明

摘要

1．1 研究背景与意义

1．2 国内外主要研究现状

1．3 本文的主要研究内容

1．4 本文的章节安排

2．1 引言

2．2 基于协同过滤的推荐系统

2．3 基于用户生成内容的推荐算法

2．4 基于矩阵分解的推荐系统

2．5 本章小结

第三章 基于商品属性标签的用户建模与智能推荐方法

3．1 引言

3．2 基于商品属性标签的用户建模与智能推荐方法

3．2．1 基于商品属性标签的用户建模方法

3．2．2 基于IAUM的智能推荐方法

3．3 实验结果及分析

3．3．1 数据集以及数据预处理

3．3．2 测试指标

3．3．3 实验结果与分析

3．4 本章小结

第四章 增强多样性的矩阵分解方法

4．1 引言

4．1．1 问题简介

4．1．2 已有增强多样性的推荐方法

4．2 增强多样性的矩阵分解方法

4．2．1 修正的矩阵分解方法

4．2．2 矩阵分解优化过程

4．2．3 基于RDMF与DMF的推荐系统实现

4．3 实验结果及分析

4．3．1 推荐结果测试指标

4．3．2 实验结果与分析

4．4 本章小结

5．1 总结

5．2 未解决问题与展望

参考文献

致谢

攻读硕士研究生期间研究成果