动态推荐系统中的协同过滤算法研究.doc

重庆大学硕士学位论文 1 绪 论 亚马逊为代表的电子商务领域。据亚马逊公布的信息表明：在亚马逊网站上有 35% 的销售额是来自它的个性化推荐，有 60%的销售额是间接受到推荐的影响。如今 主流的电子商务网站如国内的淘宝网、京东商城、当当网等都已经部署了相应的 推荐系统，来帮助用户迅速获得自己感兴趣的商品信息。 协同过滤推荐是个性化推荐系统中最常用到的一种推荐技术，尽管该技术已 经取得了一定的研究成果，但早期的研究大多是在系统的静态模式下进行的，很 少涉及到系统的动态特性。任何一个在线推荐系统都是动态变化的，如用户规模、 产品数量、用户兴趣等都是在不断发生变化。随着大数据时代的到来，传统的推 荐系算法大多变得很难适应，带来了推荐准确率下降，使得用户满意度降低，造 成用户对系统的粘度降低，甚至大量用户流失的严重后果。因此，研究推荐系统 的动态特性、解决现有协同过滤推荐算法中存在的问题，具有十分重要的理论和 现实意义。因此，本文将以研究推荐系统的动态特性、提高推荐系统的准确性为 目标而展开研究，提出了一些具有一定创新性和实用性的改进算法。 国内外研究现状 推荐系统研究现状 推荐系统的研究开始于上世纪 90 年代初，它和早期的很多研究有关，如信息 检索[4]、预测理论[5]、认知科学[6]、近似理论[7]等。从上世纪 90 年代中期开始，一 系列关于协同过滤算法[8-10]的发表，使得推荐系统越来越受学术界和工业界的关 注。1997 年，ATT 实验室推出了两个基于协同过滤的个性化推荐系统：PHOAKS 和 Referral；Marko Balabanovic 和 Yoav Shoham 使用混合推荐技术，提出了基于内 容和协同过滤的推荐系统 Fab[11]；同年 3 月， ACM 把个性化推荐系统作为一个专 题进行报道，标志着推荐系统已经受到学术界的高度重视。从此推荐系统逐步成 为一个比较独立、重要的研究领域。国内外推荐系统领域比较知名的研究团队（学 者）有：明尼苏达州立大学的 GroupLens 研究小组（John Riedl 、Joseph A. Konstan）、纽约大学（Alexander Tuzhilin）、密西根大学（Paul Resnick）、卡内 基梅隆大学（Jaime Callan）、雅虎研究院（Raghu Ramakrishnan）、微软研究院（Ryen W. White）、百分点科技团队（周涛）。 目前国内外已经研究出了很多比较成熟的推荐系统，比较知名的推荐系统有： ①Typestry[12]是 Xerox PARC 研究中心提出的一个研究型推荐系统，也是最早提出 来的基于协同过滤的推荐系统，用于邮件过滤、电子新闻的推荐。Typestry 要求用 户明确指出与自己兴趣爱好相类似的其他用户；②GroupLens[8]是由 MIT 开发的一 个新闻推荐系统，它是第一个用于处理大规模数据集的自动化过滤推荐系统，用 于向系统用户实时提供新闻推荐服务；③Ringo[10]是 MIT 媒体实验室开发的一个音 2 重庆大学硕士学位论文 1 绪 论 乐推荐系统，它的机制是首先让用户通过自己的认知先对音乐家作出评价，系统 再依据这些评价信息计算用户之间的相似度，然后将用户按兴趣进行分组，最后 在同一组中不同用户之间形成推荐；④Jester[13]笑话推荐系统，该系统要求用户对 系统随机给出的十篇笑话作出评价，然后系统根据这些评价信息帮助用户其寻找 相 似 用 户 ， 最 后 再 根 据 相 似 用 户 为 目 标 用 户 提 供 相 应 的 推 荐 ； ⑤ Video Recommender[9]是 Bell Core 开发的一个电影推荐系统。系统通过电子邮件的方式 收集用户的评分数据。系统提供推荐结果时，同时向用户提供用户最近邻居的电 子邮件联系方式，以及用户与最近邻居的相似度等信息。 推荐系统研究不仅在学术界取得很大的进展，在工业界也取得了很大的发展。 一方面推荐系统成为了很多网站的重要功能。例如亚马逊、淘宝网、当当网等电 子商务网站集成了推荐系统为用户推荐商品；Facebook、Twitter、朋友网等社交网 站集成推荐系统为用户推荐好友；Youtube、优酷网、土豆网等视频网站通过推荐 系统为用户推荐视频；同时也出现了很多独立的推荐系统网站，如 Pandora、Jinni 等。另一方面也催生了很多第三方个性化推荐技术服务提供商企业的诞生，比如 美国的 Baynote、Choice Stream，欧洲的 Stands、国内的百分点科技等公司。Baynote 为媒体和电子商务企业等提供个性化推荐服务，其中网络零售 500 强公司中有 14 家选择了 Baynote 的服务，Baynote 曾帮助 Urban Outfit