面向海量用户行为数据的并行个性化推荐算法的研究与实现

摘要

随着Web2.0的不断发展和盛行，互联网上的信息量上升到了另一个数量级，用户很容易在海量的信息中迷失方向，服务商也很难了解用户的隐性需求，所以能预知用户的兴趣爱好并为用户主动推送符合用户兴趣的信息的服务对服务商具有重要的意义。个性化推荐服务就应此需求而逐渐成为热点，越来越多的电商站点开始部署推荐服务来吸引用户，为用户推荐信息，从而提升站点的效益。同时在学术研究上，个性化推荐也成为了热门的研究领域。本文所研究的用户行为是以资讯领域中Web浏览行为为主，有别于可显性评分的行为，Web用户行为属隐性行为，Web用户对信息的喜爱是隐性的。
　　协同过滤是实现个性化推荐服务的热门技术，它注重用户之间的协同关系，但也存在新项目冷启动、可扩展性等问题。所以，目前将其他推荐技术如基于内容的推荐或其他学科的理论如社会网络分析、聚类等结合到协同过滤中来解决这些问题已成为研究的热点。
　　本文基于资讯领域的行为数据，提出了一种将用户兴趣模型结合到Slope One算法中的混合推荐算法，并设计了该算法的并行化实现方案，以解决可扩展性问题。同时提出了一种基于SimHash内容相似性的推荐方法来解决新项目冷启动问题。
　　在处理用户隐性行为的方法上，本文提出了一种根据用户在页面上的停留时间和页面内容大小来进行评分的策略。并通过利用朴素贝叶斯分类器对项目进行分类，再根据用户评分数据和时间权重来建立用户近期对项目类别的兴趣模型。在推荐过程中，本文将用户对项目类别的喜好偏差引入到Slope One协同过滤算法中来优化推荐质量。
　　最后通过在应用数据下对本文的算法进行了实验，实验结果验证了引入用户兴趣模型到Slope One算法中可以有效地提升推荐质量，并能很好的解决新项目问题。也说明了在资讯推荐领域中，需要考虑用户个人兴趣模型的影响。