基于专家池的协同过滤推荐系统研究

论文摘要

随着web2.0技术的广泛使用,各大网站都使用了相关的技术。Web2.0时代主要的特征是信息共享,交互,设计以用户为中心以及互联网上的协作。网站允许用户之间进行交互、协作,用户是内容的制造者而不仅仅只是内容的浏览者、被动接收者。博客、微博、视频分享等等都是这种类型。用户在面对如此巨大的信息量会感到无所适从,尽管可用的信息量变多了,实际信息的利用率变小了,用户反而不容易获取自己需要的信息,出现数据量大而信息量小的现象。为此,信息过滤技术得到重视。之后,为了使用户更加有效的得到以及利用信息,协同过滤技术得到迅猛发展。时至今日,计算速度的提高、各种分布式技术的使用,解决了协同过滤技术中的一些问题,仍然还有一些问题没有解决,冷启动、数据稀疏等,随着用户数量的增加,这些问题变成制约网站进行推荐的障碍。本文从理论上分析了应对信息过滤的有效方法,协同过滤的原理以及实现步骤等内容,同时也介绍了协同过滤技术的分类,重点分析了基于用户的协同过滤系统。为解决协同过滤技术中存在的问题,本文尝试从数据集的角度提出了一个新的解决方案：基于专家池的协同过滤推荐系统。此方法的主要思想就是,利用领域专家的信息,为用户推荐那些与其相似专家所推崇的那些物品。这样做,也许会使得推荐少了一些个性化的元素,但是在目前个性化要求不是特别高的地方,还是有一定的实际意义的。同时,本文在预测误差和推荐精度上比较了基于专家池的方法与标准方法的不同。基于专家池的方法可以比较有效的解决协同过滤系统中的冷启动、数据稀疏等问题,极大地减少计算量,并且具备良好的可扩展性,当用户数量急剧增加的时候,也能有比较好的推荐。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 个性化推荐简介
• 1.3 相关知识
• 1.3.1 检索技术
• 1.3.2 信息过滤技术
• 1.3.3 协同过滤
• 1.4 本文的主要工作
• 第二章 个性化推荐系统研究
• 2.1 个性化推荐系统应用
• 2.2 推荐系统形式化描述
• 2.3 协同过滤推荐系统
• 2.3.1 协同过滤推荐系统的分类
• 2.3.2 基于user的协同过滤系统
• 2.3.3 基于item的协同过滤系统
• 2.3.4 基于item的cf与基于user的cf的比较
• 2.3.5 协同过滤系统存在的问题
• 2.4 推荐系统评价标准
• 2.4.1 绝对平均误差标准
• 2.4.2 召回率和准确率
• 2.4.3 覆盖度
• 本章小结
• 第三章 基于专家池的协同过滤推荐系统
• 3.1 概述
• 3.2 标准协同过滤系统
• 3.2.1 用户行为提取和分析模块
• 3.2.2 相关推荐模块
• 3.2.3 用户行为权重计算模块
• 3.2.4 相似度矩阵计算模块
• 3.3 基于专家池的协同过滤系统
• 3.3.1 专家池的构建
• 3.3.2 本地推荐引擎
• 本章小结
• 第四章 分析与实验
• 4.1 数据集介绍
• 4.1.1 Netflix电影评分数据集
• 4.1.2 从web上取得的专家数据集
• 4.2 数据集的分析：用户和专家
• 4.2.1 评分的数目和数据稀疏性
• 4.2.2 平均评分的分布
• 4.2.3 评分的标准偏差
• 4.3 结果
• 4.3.1 预测推荐中的误差
• 4.3.2 推荐精度的比较
• 4.3.3 讨论
• 本章小结
• 第五章 总结与展望
• 参考文献
• 附录
• 获取数据的相关代码
• 数据导入
• 预测的精度以及覆盖率
• 攻读硕士学位期间发表的论文和参加的项目
• 致谢