本文關(guān)鍵詞：基于遺忘曲線的推薦算法研究

  更多相關(guān)文章： 推薦系統(tǒng) 協(xié)同過濾 遺忘曲線 冷啟動 社區(qū)劃分

【摘要】：隨著信息技術(shù)和互聯(lián)網(wǎng)技術(shù)的發(fā)展,人們進入“信息爆炸”的時代,面對海量信息,用戶不知道如何將自己感興趣信息從這海量的信息中提取出來,搜索引擎已經(jīng)不能滿足人們的需要,推薦系統(tǒng)成為解決這一需要的重要方式。而協(xié)同過濾因為其算法簡單,又能夠處理復雜的問題并產(chǎn)生比較良好的效果而被人們廣泛應用,也成為了推薦系統(tǒng)中最成功的技術(shù)。然而用戶的興趣是時刻變化的,且對于新用戶系統(tǒng)無法預測用戶的偏好,原始的推薦技術(shù)并沒有滿足這些需求,而本文就是致力于這方面問題的解決。 首先,本文提出了基于艾賓浩斯遺忘曲線的用戶推薦算法,由于人的興趣是不斷變化的,而這種變化是自然遺忘的過程,也就符合遺忘曲線,所以用遺忘函數(shù)模擬人的興趣變化。由于時間對評分的起著很重要的作用,在使用相似度算法時加入了時間因子,對用戶的原始評分進行衰減,以此來反應用戶的興趣變化。然后為本文提出的算法設計了兩組實驗來驗證算法的有效性。通過兩組實驗的結(jié)果證明,總體上來講,本文提出的基于遺忘曲線的相似度的計算方法比傳統(tǒng)的算法要好一些。那么在推薦系統(tǒng)中,結(jié)合自然規(guī)律,通過運用艾氏遺忘曲線所表述的遺忘的規(guī)律來反應用戶興趣的變化,對用戶評分進行衰減,可以明顯的提高系統(tǒng)預測的準確度。這也表明,在推薦系統(tǒng)中,人的認知規(guī)律可以發(fā)揮很重要的作用。 其次,基于以上的內(nèi)容,本文針對推薦系統(tǒng)中冷啟動問題又做了詳細的研究,分析和比較了前輩們提出的各種解決冷啟動問題的算法,明確每個算法的優(yōu)點和不足；同時介紹了通過交叉推薦引起的思考,由于人生活在社會中,不同的人有不同的社交圈,而目標用戶社交圈中的人的偏好在某種程度上可以反映目標用戶的偏好,基于這種思想,結(jié)合Sahebi提出的算法,將遺忘曲線的思想加入進去,提出了在多維網(wǎng)絡中基于用戶社區(qū)劃分來解決冷啟動的方案。通過清空數(shù)據(jù)集中用戶的書評來模擬系統(tǒng)中的冷啟動問題,在能克服冷啟動問題的情況下,用社區(qū)群體的興趣漂移來預測用戶對圖書的評分。對于本文在實驗部分將此方案與傳統(tǒng)的協(xié)同過濾推薦算法進行了對比。實驗證明,在鄰居數(shù)不斷增加的條件下,前者預測的準確度要優(yōu)于后者,也就是說,該算法能夠克服冷啟動問題提高推薦質(zhì)量。
【關(guān)鍵詞】：推薦系統(tǒng) 協(xié)同過濾 遺忘曲線 冷啟動 社區(qū)劃分
【學位授予單位】：安徽理工大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TP391.3
【目錄】：

• 摘要5-6
• Abstract6-14
• 1 緒論14-20
• 1.1 課題研究背景14
• 1.2 國內(nèi)外研究現(xiàn)狀14-19
• 1.3 本文研究的主要內(nèi)容19-20
• 2 推薦系統(tǒng)相關(guān)理論研究20-30
• 2.1 推薦系統(tǒng)20
• 2.2 協(xié)同過濾推薦算法20-22
• 2.2.1 基于用戶的協(xié)同過濾21
• 2.2.2 基于項目的協(xié)同過濾21-22
• 2.3 基于內(nèi)容的推薦系統(tǒng)22-25
• 2.4 混合推薦25-27
• 2.4.1 加權(quán)混合(Weighted hybrid)25
• 2.4.2 轉(zhuǎn)換混合(Switching hybrid)25
• 2.4.3 合并混合(Mixed hybrid)25-26
• 2.4.4 特征組合混合(Feature combination hybrid)26
• 2.4.5 級聯(lián)混合(Cascade hybrid)26
• 2.4.6 特征增強混合(Feature augmentation hybrid)26-27
• 2.4.7 元層次混合(Meta-level hybrid)27
• 2.5 推薦技術(shù)中常用的算法27-30
• 2.5.1 余弦相似性(Cosine)27
• 2.5.2 修正的余弦相似性(AdjustedCosine)27-28
• 2.5.3 皮爾森相似性(Pearson similarity)28
• 2.5.4 評分預測28-29
• 2.5.5 Top-N推薦29-30
• 3 基于自然遺忘的協(xié)同過濾算法30-34
• 3.1 艾賓浩斯遺忘曲線30
• 3.2 艾賓浩斯遺忘曲線描述30-31
• 3.3 遺忘函數(shù)31-32
• 3.4 具有記憶效應的相似度計算32-33
• 3.5 算法流程33-34
• 4 實驗設計及結(jié)果分析34-41
• 4.1 推薦系統(tǒng)性能評測標準34-35
• 4.2 實驗數(shù)據(jù)準備與設計35-37
• 4.2.1 數(shù)據(jù)準備35-36
• 4.2.2 實驗設計36-37
• 4.3 實驗結(jié)果分析37-41
• 4.3.1 實驗一37-39
• 4.3.2 實驗二39-41
• 5 推薦系統(tǒng)中冷啟動的解決方案研究41-47
• 5.1 不考慮內(nèi)容的解決方法41-43
• 5.1.1 隨機推薦或熱門推薦41-42
• 5.1.2 缺省值填充42
• 5.1.3 改進的相似度度量法42-43
• 5.2 結(jié)合內(nèi)容信息的解決方法43-44
• 5.2.1 基于評分矩陣擴充的方法43
• 5.2.2 構(gòu)建概率統(tǒng)計模型的方法43
• 5.2.3 與機器學習相結(jié)合的方法43-44
• 5.3 用戶社區(qū)劃分解決冷啟動問題44-47
• 5.3.1 算法流程44-45
• 5.3.2 算法驗證45-46
• 5.3.3 實驗結(jié)論46-47
• 6 結(jié)論47-49
• 致謝49-50
• 參考文獻50-53
• 作者簡介及讀研期間主要科研成果53

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 時京晶;;三種經(jīng)典復雜網(wǎng)絡社區(qū)結(jié)構(gòu)劃分算法研究[J];電腦與信息技術(shù);2011年04期

2 吳婷;熊前興;賀曦春;;基于用戶特征和用戶興趣變化的協(xié)同過濾推薦[J];電腦知識與技術(shù);2008年34期

3 萬里;廖建新;朱曉民;;一種動態(tài)網(wǎng)絡社區(qū)劃分算法[J];北京工業(yè)大學學報;2011年02期

4 印桂生;崔曉暉;馬志強;;遺忘曲線的協(xié)同過濾推薦模型[J];哈爾濱工程大學學報;2012年01期

5 邢春曉;高鳳榮;戰(zhàn)思南;周立柱;;適應用戶興趣變化的協(xié)同過濾推薦算法[J];計算機研究與發(fā)展;2007年02期

6 鄭先榮;湯澤瀅;曹先彬;;適應用戶興趣變化的非線性逐步遺忘協(xié)同過濾算法[J];計算機輔助工程;2007年02期

7 李克潮;梁正友;;適應用戶興趣變化的指數(shù)遺忘協(xié)同過濾算法[J];計算機工程與應用;2011年13期

8 鄭先榮;曹先彬;;線性逐步遺忘協(xié)同過濾算法的研究[J];計算機工程;2007年06期

9 于洪;李轉(zhuǎn)運;;基于遺忘曲線的協(xié)同過濾推薦算法[J];南京大學學報(自然科學版);2010年05期

10 張光衛(wèi);李德毅;李鵬;康建初;陳桂生;;基于云模型的協(xié)同過濾推薦算法[J];軟件學報;2007年10期

，

本文編號：990575