基于协同过滤的推荐算法比较研究

摘要

随着科学技术的不断发展，已踏入了“大数据”时代的大门，各种数据信息层出不穷，每天都在主动或被动的不断获取着关于这个世界所带给我们的方方面面的信息，在这一信息过载甚至信息爆炸的社会中，人们真正所需要的、所感兴趣的内容和信息的海洋相比也显得九牛一毛，在这种情况下，如果要在浩瀚的信息中搜寻到真正想要的内容往往要借助搜索引擎带给我们的帮助（百度、Google等）。但使用搜索引擎有一个不可避免的限制，即必须事先要明确待搜索对象的准确信息，并将其提炼为关键字输入到搜索框中。但在现实生活中，人们往往无法准确知道自己所要搜索的信息或商品信息并且无法将其提炼为关键字词进行搜寻。这时，便需要一个足够专业的“专家”来为提供一些可以参考的信息以供从中选择，这个“专家”实际上就是推荐系统。推荐系统通过不同的算法对用户的历史行为进行分析预测，以判断其可能大概率会对某物品（信息）感兴趣进而进行推荐。它一方面帮助用户可以在没有明确搜索对象的情况下发现他们可能喜欢的物品，另一方面，又能帮助物品（信息）的提供者将物品（信息）推送到更加精确的目标人群。　　本文首先介绍了推荐系统在国内外的研究发展进程和现状以及在不同领域的综合应用，从最简单的Apriori算法开始详细介绍了推荐系统的分类，目前使用最广泛的是协同过滤推荐系统，较为常用的还有基于内容的推荐和混合推荐。为了评价一个推荐系统的好坏，还介绍了几种常用的评测指标如准确率、召回率等；针对协同过滤中最常见的两种算法——ItemCF和UserCF，本文在给出其基本实现逻辑的基础上，还分别提出了可能的改进方向，并对两者进行了比较；除此之外，本文还介绍了一种目前广为应用的推荐算法——隐语义模型，在此基础上，提出了K-means+LFM的混合推荐算法以对原始模型进行优化，使得推荐结果有了明显的改进；最后，本文讨论了推荐系统中若干现存的问题，并将以此作为日后研究方向。

目录

1 绪论

1.1.1 研究意义

1.2 国内外现状综述

1.3.1 在电商产品中的应用

1.3.2 在音乐视频产品中的应用

1.3.3 在社交产品中的应用

1.4 本章小结

2 推荐系统分类与评判指标

2.1.1 Apriori 算法基本思想

2.2 推荐算法的分类

2.2.1 基于内容推荐

2.2.2 基于上下文信息的推荐

2.2.3 基于社交网络数据的推荐

2.2.4 协同过滤推荐

2.2.5 混合推荐

2.3 推荐算法的评测

2.3.1 推荐算法的评测方法

2.3.2 推荐算法的评测指标

2.4 本章小结

3 协同过滤算法——ItemCF和UserCF

3.1.1 User-based 基本思想

3.1.2 距离的不同计算方法

3.1.3 距离计算的优化方法

3.1.4 用户相似度计算的改进

3.2.1 Item-based 基本思想

3.2.2 Item-based算法改进方向

3.3 UserCF和ItemCF的综合比较

3.4 本章小结

4.1隐语义模型算法介绍

4.2 隐语义模型推荐原理

4.3 K-means+LFM 算法

4.3.1 K-means算法原理

4.3.2 独热编码（one-hot）

4.3.3 主成分分析（PCA）算法原理

4.4.1理论基础

4.4.2离线计算空间、时间复杂度

4.4.3在线推荐能力

4.5本章小结

5 实证分析与算法实现

5.1 apriori 算法实现

5.2.1 User-CF的算法实现

5.2.2 Item-CF的算法实现及对比

5.3.1 实验数据介绍

5.3.2 算法实现及改进方向

6 总结与展望

6.1总结

6.2展望

参考文献

附录

A.学位论文数据集

致谢