基于排列融合的组推荐系统研究与应用

论文摘要

推荐系统根据用户兴趣特点、评分行为、购买行为等用户信息,向用户推荐其可能感兴趣的信息或项目,从而帮助用户在海量信息中能够更快地找到感兴趣的内容。目前已经有不少推荐电影和餐厅的系统。传统的推荐系统面向个人用户进行推荐,近年来,越来越多的推荐系统关注如何向一组用户进行推荐。个人推荐系统主要目的是推荐符合单个用户利益（偏好）的项目,而组推荐系统则是为了推荐符合某个群体利益（偏好）的项目。组推荐可以看作是一个日常选举过程或更一般的社会选择过程,组推荐的结果可类比为选举的结果,体现了个体的偏好和相互之间的利益协调,并无客观上的正误之分。本文描述本人研究并开发的组推荐系统的基本框架和采用的关键技术:融合规则和组成员社会关系的影响。本文的研究建立在推荐列表融合的框架上,即为组内每位成员产生个人推荐列表,将每位成员的个人推荐列表融合成为组推荐列表。本文重点讨论关注排列的个人推荐技术——Tangent算法,利用实验证实其有效性;利用Tangent算法来为用户组中的每位成员产生个人推荐列表。论文接下来分析常见的融合规则,这类规则一般分为基数方法和序数方法,本文更关注后者,因此引入排列融合思想做为组推荐融合规则,将Medrank算法应用于组推荐系统。为解决组推荐结果受组成员社会关系的影响的问题,我们提出Weighted-Medrank算法来得到加权的组推荐结果。本文评估Medrank算法在组推荐中的效果,以及Weighted-Medrank的效果。利用上述组推荐技术的理论研究基础,本文以餐厅为应用背景,设计并实现GroupR餐厅组推荐系统。系统收集用户对餐厅的点评,根据用户过往评分,利用Tangent算法向用户推荐餐厅。用户可以在系统中组建小组,借助系统提供的Medrank、Least Misery和Multiplicative Utilitarian三种组推荐方案,做出最终的选择。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 推荐系统
• 1.2 组推荐系统
• 1.3 组推荐系统国内外研究现状
• 1.4 论文基本内容
• 1.5 论文组织结构
• 第2章 相关技术综述
• 2.1 组推荐技术及关键问题研究
• 2.2 个人推荐技术及分类
• 2.3 小结
• 第3章 个人推荐列表的生成
• 3.1 Random Walk with Restart 算法
• 3.2 Tangent 算法
• 3.3 实验分析
• 3.4 小结
• 第4章 组推荐系统融合规则
• 4.1 社会选择
• 4.2 常见的组推荐融合规则
• 4.3 基于排列融合的组推荐融合规则
• 4.4 加权的组推荐融合规则与Weighted-Medrank 算法
• 4.5 组推荐融合规则效果评估
• 4.6 组推荐规则用户调查分析
• 4.7 小结
• 第5章 GroupR 餐厅组推荐系统设计
• 5.1 需求分析
• 5.2 系统架构分析
• 5.3 数据库设计
• 5.4 餐厅点评模块
• 5.5 餐厅个性化推荐模块
• 5.6 用户小组模块
• 5.7 餐厅组推荐模块
• 5.8 后台维护模块设计
• 5.9 小结
• 第6章 GroupR 餐厅组推荐系统实现
• 6.1 系统开发环境
• 6.2 搜索技术实现
• 6.3 Tangent 算法的工程化实现
• 6.4 餐厅数据的获取
• 6.5 组推荐页面实现
• 6.6 系统效果
• 6.7 小结
• 第7章 总结与展望
• 7.1 本文工作总结
• 7.2 进一步的研究工作
• 参考文献
• 附录A: 组推荐策略调查问卷（组规模3）
• 附录B: 组推荐策略调查问卷（组规模10）