轻博客推荐系统与相关推荐算法研究.pdfVIP

第一章绪论 个问题，推荐作为一种主动的提供给用户内容的方式，也被博客及其他互联网 产品普遍采用。 推荐分为普通推荐和个性化推荐【2]。普通推荐是指推荐给用户的内容是一样 的，不针对某个或某些用户单独推荐；个性化推荐与普通推荐是相对的概念， 它是针对某个用户或某类用户推荐个性化的内容。 个性化推荐是根据用户的历史行为(例如用户对于项目的直接评分或者用户 对于项目的访问)或者项目特点及它们之间的关系，向用户推荐其需要或者感 兴趣的内容。随着互联网的飞速发展和电子商务的壮大，网络信息内容的无限 膨胀使得用户越来越难以找到自己需要的信息，网络产品信息的丰富多样使得 用户越来越难以找到自己想购买的商品。为了解决这些问题，研究者们提出了 信息检索系统和信息过滤系统，其中个性化推荐系统是信息过滤系统之一，它 等人在美国人工智能协会上首次提出了个性化推荐系统LIRA，随后，Yahoo、IBM 等也推出了自己的个性化推荐系统。 推荐系统【3’4】的优劣在很大程度上取决于其采用的推荐算法。目前，个性化 推荐系统的算法主要有基于关联规则的推荐算法【5’6】、基于内容的推荐算法【『7】和 协同过滤哺】的推荐算法。其中协同过滤推荐算法是目前比较流行的推荐算法，也 是目前应用最成功的推荐算法，其基本思想【9,10】是：通过用户对项目的显式评分 (例如用户对于电影的评分)或者用户对于项目的隐式的行为(例如用户对于 博客的访问)，找到评分相似或者行为相似的用户，这些相似的用户被认为是兴 趣相似的用户，然后通过用户的相似用户对于项目的评价情况，来预测用户对 项目的评分，从而得到用户对项目的兴趣度。 第二节国内外研究现状 Alto的研究中心的员工解决邮件过载的问题。原理是首先个人选择自己感兴趣的 邮件类型：然后发出自己需要的信息，这个需求会返回很多相关邮件；在这些 返回的邮件中选择至少三个对自己最有用的邮件；最后系统记录了每个人需要 的邮件信息，通过对于用户需求的掌握还进行邮件过滤。 随后出现的GroupLens[12】是一个新闻筛选的系统。用户对看过的内容进行 第一章绪论 评分，这个评分与用户的感兴趣之间是一种线性关系，而且假设用户的兴趣在 不同时间没有质的变化；然后系统根据用户对新闻的评分情况，预测用户对未 阅读的新闻的评分。 随着电子商务的出现，协同过滤开始用于商品的推荐，例如著名的电子商务 平台亚马逊；社交网络的出现使得协同过滤有了新的应用领域【13】，Facebook的 广告推荐就是利用了协同过滤推荐算法的一个例子。所以，推荐系统正在推广 到各个领域，相应的作为个性化推荐的重要算法的协同过滤算法，应用也越来 越广泛。博客作为当今互联网一种不可或缺的自我表达与互动的流行平台，个 性化推荐也是必不可少的，例如新浪微博中的猜你可能感兴趣的人。 第三节本文研究内容 针对轻博客自身特点，分析了各种流行的个性化推荐算法对于轻博客的适 用度，然后选择了协同过滤推荐算法作为了本文推荐系统的核心算法，然后针 对传统的协同过滤推荐算法存在的问题，本文在算法方面做了以下几个改进： 1．全面引入用户背景信息，以提高用户的相似用户的计算精度； 2．引入用户兴趣度权值函数，提高了相似用户的精度以及用户对目标项目的预测 评分的精度； 3．引入项目的客观相似度，并将项目客观相似度直接用于改进计算未知项目的预 测评分公式中。 4．另外，在轻博客推荐系统中，提出了数据的中间存储以及缓存机制，定时更新 用户的推荐，而推荐的过程离线进行，有效解决了用户的可扩展性问题。 协同过滤推荐算法一般是根据用户．项目评分矩阵来进行实验的，所以当用 户和项目增加，评分矩阵变的稀疏时，利用用户．项目评分矩阵来找到用户的最 近邻居已经变的不准确，所以本文提出了将用户的背景信息作为一项计算用户 的最近邻居的依据。用户的背景信息如性别、年龄、职业等与用户的兴趣之间 是有联系的，因此将用户的背景信息全面引入到用户．项目评分矩阵中，然后再 计算用户的最近邻居，实验表明，加入了用户背景信息的协同过滤推荐算法有 效的提高了用户的最近邻居的准确度，从而提高了推荐质量。 根据遗忘规律，遗忘在学习之后立即开始，并且遗忘的速度并不是均匀的， 而是先快后面，最后趋于某个值。从遗忘规律【14】得到启示，用户对于项目的兴