基于用户标注动机与遗忘曲线的个性化推荐分析-personalized recommendation analysis based on user annotation motivation and forgetting curve.docxVIP

forgettingcurve.④Designandimplementaprototypeofmovierecommendersystem.Keywords:Recommendersystems,Tagging,Taggingmotivation,Forgettingcurve,Tagcleaning目录中文摘要I英文摘要II1绪论11.1研究背景11.2国内外研究现状及面临的挑战21.2.1个性化推荐系统的应用31.2.2国内外研究现状41.2.3当前个性化推荐所面临的挑战51.3研究目标与主要内容61.4本文组织结构71.5本章小结82个性化推荐技术相关研究92.1推荐系统原理及数据模型92.2个性化推荐算法102.2.1基于内容的推荐112.2.2基于用户的协同过滤推荐122.2.3基于物品的协同过滤推荐142.2.4基于关联规则的推荐162.3标签系统模型172.3.1标签182.3.2用户标注动机及方法192.3.3构建标签模型222.4标签系统中的主要研究问题232.5本章小结263自定义标签标准化273.1引言273.2标签标准化过程283.2.1标签匹配与清理293.2.2基于属性共现率标签标准化303.2.3基于聚类的标签标准化323.3实验设计353.3.1实验数据集介绍353.3.2实验方法及结果373.4本章小结384基于用户标注动机与遗忘曲线的兴趣模型394.1引言394.2用户标注动机模型394.2.1用户标注动机的度量394.2.2用户标注动机的判别424.3基于艾宾浩斯遗忘函数的兴趣模型434.3.1基于标签的用户兴趣模型434.3.2艾宾浩斯遗忘曲线454.3.3基于遗忘函数的兴趣模型464.4基于用户标注动机与遗忘曲线的推荐474.4.1推荐算法基本思想474.4.2推荐步骤484.5实验设计494.5.1实验数据集与评测指标494.5.2实验结果与分析494.6本章小结525个性化标签推荐系统原型设计535.1引言535.2日志系统与行为数据545.2.1日志系统实现545.2.2行为数据收集555.3推荐引擎设计565.3.1推荐引擎在线模块575.3.2推荐引擎离线模块585.4本章小结596结论与展望606.1结论606.2展望60致谢62参考文献631绪论1.1研究背景十几年前，互联网还只是属于少数用户的工具，而如今几乎每个人都在与互联网打交道。互联网的普及改变了人们的生活方式——人们可以在互联网上进行社交、购物、娱乐、学习，而互联网像一座无止境的信息库，每个人似乎都可以在其中寻找到问题的答案。然而，随着近十年互联网的急速普及与信息技术的飞速发展，人们逐渐从信息匮乏时代步入了信息过载（informationoverload）时代[1]。在这个时代，互联网每天产生难以想象的信息量，这无论对信息消费者还是信息生产者来说都是一个巨大的挑战：从信息消费者角度来说，如何从大量的信息中找到自己最感兴趣的信息变得越来越困难；而从信息生产者角度来看，让自己生产的信息脱颖而出，受到目标用户的关注也变得日益艰难。在互联网发展的历史进程中，为了解决信息过载的问题，已经有无数工程师提出了不同的解决方案，其中最具代表性的方案是分类目录、搜索引擎及推荐系统[2]。分类目录（如早期的雅虎，国内的Hao123）将一些有知名度的网站分门别类，从而方便用户根据自身的需求选择网站。然而随着互联网规模的不断扩大，分类目录网站由于仅能覆盖少量热门网站而越来越难以满足用户的需求。而且，随着互联网逐渐渗透用户生活的方方面面，仅仅是简单的网页分类自然无法满足需求。搜索引擎是另一项解决方案，用户通过搜索关键词寻找自己所需的信息。这种方法至今依然是用户使用互联网的主要途径，并且随着相关技术的发展，搜索返回的结果也越来越精确。Google是搜索引擎界的领跑者，而百度是国内搜索市场的巨头，目前以Facebook为主的一些社交网站也利用自己巨大的用户关系库提出了另类的搜索功能(GraphSearch)，旨在为用户带来更个人化的搜索结果[3]。然而，搜索引擎也有其不足：从信息消费者的角度来看，搜索引擎要求用户提供关键词以便来寻找信息，而很多时候用户很难准确描述自己需求的关键词，或者并不是很清楚自己的需求；从信息生产者角度来看，其依然处于较被动位置，所产生的信息只有在用户主动获取时才能抵达目标用户。而推荐系统作为第三种解决方案的出现弥补了前两种方案的不足。与搜索引擎相似，推荐系统也是一种帮助用户寻找发现自己需求的工具；不同的是，推荐系统不需要用户提供明确的需求，而是通过分析用户的历史行为从而为用户进行兴趣建模。通过用户的兴趣模型对用户进行主动推荐其感兴趣的信息，所以，推荐系统可以帮助用户在无明确目的时完成推荐[4]。不仅如此，推荐系统的出现对