基于扩展邻居与语义树的个性化推荐算法研究

论文摘要

迅速发展普及的互联网技术在带给我们便捷生活的同时,也将我们带入了一个信息过载的时代。持续增长的海量信息使得用户无法迅速找到自己真正需要的部分,同时还使一部分冷门信息无法被一般用户获取,从而成为了暗信息。为了解决上述问题,个性化推荐系统应运而生,通过建立用户和项目(产品、信息等)的二元关系,根据历史选择信息或者相似性关系来挖掘用户的潜在兴趣,从而针对每个用户提供个性化的推荐。个性化推荐技术的研究逐渐得到各个领域的重视,受到越来越多学者的关注。目前,应用最为广泛的个性化推荐技术为信息过滤技术,信息过滤主要包括协同过滤和基于内容的过滤两种推荐算法。而传统协同过滤算法存在数据严重稀疏的问题,基于内容过滤的推荐算法在建模过程中存在语义信息的遗漏问题,本文主要针对这两种传统推荐算法存在的问题提出了相应的改进算法,并通过具体的实验验证了算法的有效性。针对协同过滤推荐算法的数据稀疏性问题,本文提出了基于扩展邻居的两种协同过滤算法,分别引入了潜在邻居与后援邻居的概念,通过扩展目标用户的邻居来获得更多的参考信息来弥补数据稀疏的缺陷。实验证明本文提出的算法可以有效缓解数据稀疏性问题,预测结果更加准确。针对基于内容过滤推荐算法的配置文件信息遗失问题,本文提出基于语义树的内容过滤推荐算法,将用户与项目分别用语义树来表示,并在相似性计算过程中加入语义信息,实验证明该方法可以弥补传统方法的信息遗失问题,具有更准确的推荐结果。最后本文提出一个推荐算法的应用实例,构建了一个项目评审专家推荐系统,取代传统的人工选择方式,提高工作效率。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究的背景与意义
• 1.2 个性化推荐的研究现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 相关技术介绍
• 1.3.1 协同过滤推荐技术
• 1.3.2 基于内容过滤的推荐技术
• 1.3.3 传统推荐技术存在的问题
• 1.4 论文基本内容与结构
• 1.4.1 研究内容与方法
• 1.4.2 论文结构安排
• 2 基于扩展邻居的协同过滤推荐算法
• 2.1 协同过滤推荐算法的稀疏性问题
• 2.2 基于潜在邻与最近邻的协同过滤推荐算法
• 2.2.1 算法原理
• 2.2.2 算法步骤
• 2.2.3 实验分析
• 2.3 基于后援邻与最近邻的协同过滤推荐算法
• 2.3.1 算法原理
• 2.3.2 算法步骤
• 2.3.3 实验分析
• 2.4 本章小结
• 3 基于语义树的内容过滤推荐算法
• 3.1 内容过滤的信息遗失问题
• 3.2 语义树构建
• 3.2.1 领域语义树
• 3.2.2 项目语义树构建
• 3.2.3 用户语义树构建
• 3.3 推荐产生
• 3.3.1 特征词之间的语义相似性计算
• 3.3.2 语义向量转换
• 3.3.3 产生推荐
• 3.4 实验结果及其分析
• 3.4.1 实验数据
• 3.4.2 k-折交叉验证
• 3.4.3 实验结果分析
• 3.5 本章小结
• 4 个性化推荐应用实例—项目评审专家推荐系统
• 4.1 应用背景以及工作流程
• 4.2 系统整体框架
• 4.3 系统实现
• 4.3.1 系统开发平台与数据库设计
• 4.3.2 项目模型构建
• 4.3.3 专家模型构建
• 4.3.4 推荐产生
• 4.3.5 模型修正
• 4.4 系统部分界面
• 4.6 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间论文发表及项目参加情况
• 致谢