- 1、本文档共122页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
动态推荐系统关键技术研究-项亮
Author xlvector, Copyrights belong to CASIA
摘 要要要
摘摘
推荐系统(Recommender System)是帮助用户发现内容,克服信息过载的重
要工具。它通过分析用户的行为,对用户兴趣建模,从而预测用户的兴趣并给
用户做推荐。推荐系统的早期研究主要集中在静态用户行为分析领域,即不考
虑用户行为发生的时间,而仅仅研究用户行为中与时间无关的静态模式。近
年,随着Netflix推荐比赛的推动以及大量包含时间信息的数据集的公开,很多
研究人员转向研究推荐系统的动态特性,主要包括用户兴趣变化的动态模型,
基于时间上下文的推荐等等问题。但这个领域中还存在很多关键技术需要解
决。
本文基于大量公开的用户行为数据集对推荐系统动态特性进行了深入的研
究,包括评分预测问题中用户兴趣的动态模型,Top-N推荐问题中用户兴趣的
动态模型,以及系统时效性对用户兴趣预测的影响等。本文的主要工作和贡献
如下:
1 提出了评分预测问题中用户兴趣预测的动态模型:评分预测问题是推荐
系统中研究最多的问题之一,它的主要任务是通过分析用户对物品的评
分数据,预测给定用户对给定物品的评分。本文将时间信息引入到这个
问题中,通过矩阵分解模型对四种不同的时间效应进行建模,提出了一
个动态的用户兴趣模型。同时,本文还利用级联模型对季节效应进行建
模。实验方法表明该方法相对于静态用户兴趣模型,能够显著的提高评
分预测的精度。
2 提出了Top-N推荐问题中用户兴趣预测的动态模型:Top-N推荐问题是实
际推荐系统中最常见的问题,它的主要任务是通过分析用户的日志数据,
给用户兴趣建模,并根据用户兴趣模型给用户推荐 个他最可能喜欢的
物品。本文将时间信息引入到这个问题中,通过在传统的用户物品二分
图上引入用户时间节点来对用户的长期兴趣和短期兴趣建模,从而让用
户的推荐结果能够同时反映他们的长期兴趣和短期兴趣。同时,本文还
提出了一个基于图模型的路径融合算法,该算法能够有效的从图模型中
计算出物品相对于每个用户的个性化排名。实验方法表明引入用户时间
Author xlvector, Copyrights belong to CASIA
ii 动态推荐系统关键技术研究
节点后的图模型相对于时间无关的静态模型,能够显著的提高Top-N推荐
的准确度,同时路径融合算法相对于其他基于图的排名算法,在推荐准
确度上也有较大的优势。
3 系统地研究了时效性对推荐系统的影响,并提出了在不同时效性网站中
都具有较高推荐精度的推荐算法:用户的行为和兴趣同时受到社会因素
和个人因素的影响。但在不同时效性的网站中,这两种因素对用户行为
的影响程度不同。时效性快的网站中,用户更容易受到社会因素的影响,
而在时效性慢的网站中,用户更容易受到个人因素的影响。为了能在不
同时效性的网站中都做出准确的推荐,本文提出了时间的图模型,该模
型通过引入两种新的节点来对社会因素和个人因素分别建模,并通过调
整这两种节点的权重来调整推荐系统的精度。实验表明该方法能够在不
同时效性的数据集中都取得较高的推荐准确率。
4 设计了动态推荐系统的原型系统:论文在总结前几章工作的基础上设计
了动态推荐系统的原型系统。该系统能够实时响应用户的最新行为,并
根据用户行为的变化来实时的调整推荐结果,从而不断改善用户在推荐
系统中的体验。
关键词:推荐系统,个性化,协同过滤,时间效应,季节效应,推荐系统动态
特性
Author xlvector, Copyrights belong to CASIA
Recommender System is an important tool for users to discovery information
of their interest, it is also an
文档评论(0)