Web-based推荐系统中若干关键问题研究

论文摘要

随着互联网的普及以及网络技术的迅猛发展,互联网上的信息数量逐渐呈现信息过载的趋势。此外,随着电子商务的快速发展,电子商务交易规模不断扩大,电子商务网站的商品数量和商品种类均增长迅速。网络技术的快速发展为用户带来便利的同时也带来了面对海量信息无从选择的烦恼。依靠用户个人的力量对信息进行收集、整理、分析进而决策的难度非常大,推荐系统应运而生,其本质是一种信息过滤技术的应用。如何有效地分析信息和用户的特征、分析收集到的历史数据并产生有效的决策,是当今推荐系统面临的主要问题,这也给计算机科学研究与工程实践提出了许多具有挑战性的课题。本文针对Web-based推荐系统中的一些关键问题开展研究,主要研究内容包括：提高Web-based推荐算法推荐准确性的方法和技术；现有推荐算法评价体系研究；会话推荐多样性评价指标研究；利用用户上下文信息改善会话推荐多样性的研究。本文主要研究工作如下：（1）在提高预测准确性方面,提出了一种提高预测精度的基于动态k近邻的SlopeOne协同过滤推荐算法。SlopeOne算法利用线性回归模型解决数据稀疏性问题,基于用户相似性的k近邻方法可以优化参与预测的用户评分数据的质量。算法首先根据用户之间的相似性动态地为每个用户选择不同数目的近邻用户,然后利用近邻用户的评分数据生成项目之间的平均偏差,最后利用线性回归模型进行预测。在MovieLens数据集上的实验结果表明,改进的算法在预测精度北原SlopeOne算法有所提高,目能适应数据稀疏度更大的推荐系统。与其他协司过滤算法相比,预测精度也具有明显优势；（2）在Web-based推荐系统的评价体系方面,研究发现随着推荐多样性日益成为推荐系统的重要度量指标之一,目前现有的各种推荐多样性评价指标难以体现用户在整个会话期内推荐项目的多样性,现有的推荐算法均以单次推荐的结果进行评估,未考虑Web-based推荐系统应用中,用户的行为是以会话（Session）为单位的。本文提出了一种会话推荐多样性评价指标,该指标评价推荐多样性时将用户一个会话期内推荐的所有无重复项目占推荐位总数的比例作为评价结果,该指标能够更好地评价用户在会话期内浏览项目的多样性,也更有利于发掘长尾商品,提高推荐转化率；（3）研究了现有的各种提高推荐多样性的算法,发现这些算法通常以牺牲推荐准确性为代价来提高推荐的多样性,且均无法评价推荐系统中用户整个会话期内推荐的多样性。本文分析了现有的推荐系统会话推荐多样性普遍偏低的主要原因是会话推荐树中存在过多的重复结点,提出了一种可以减少冗余推荐的离线offline-UICF会话推荐算法,以会话期为单位进行整体推荐。通过Movielens数据集测试表明,offline-UICF算法既提高了会话推荐多样性,又提高了推荐的准确性；（4）为了利用用户上下文信息改善推荐质量,将用户在会话期内的浏览路径作为推荐上下文,用以改善用户的会话推荐多样性。提出了一种在线online-UICF推荐算法,为每个活跃用户建立会话推荐列表,能够有效避免推荐树中出现推荐环路或弱推荐环路。通过Movielens数据集测试表明,利用online-UICF算法进行在线推荐能大幅度提高会话推荐多样性,同时也提高了推荐准确性；在Web-based推荐系统推荐准确性和会话推荐多样性研究工作的基础上,设计并实现了一种Web-based会话推荐系统SessionRecommender,该系统融合了本文所提出的提高预测精度的基于动态k近邻的SlopeOne算法、提高会话推荐多样性的offline-UICF和online-UICF算法,实现了一个兼具高预测精度和高预测覆盖率的Web-based会话推荐系统。该系统可封装现有的其他推荐引擎,结合本文提出的会话推荐模块,可达到同时提高会话推荐多样性和推荐准确性的效果。SessionRecommender为Web-based应用提供了一种新的推荐系统工具。总之,本文从Web-based推荐系统面临的一些关键问题出发,针对Web-based推荐系统中预测准确性、推荐评估指标体系、会话推荐多样性等关键技术展开研究,提出了提高推荐准确性、提高会话推荐多样性的相关算法,理论分析和大量的实验结果证明了这些方法的有效性和高效性。我们希望基于这些方法和技术进一步开发和完善Web-based推荐系统。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 推荐系统
• 1.1.1 推荐系统的产生
• 1.1.2 推荐系统与搜索引擎的区别
• 1.1.3 典型的推荐系统介绍
• 1.2 Web-based推荐系统
• 1.2.1 Web-based推荐系统定义
• 1.2.2 Web-based推荐系统应用介绍
• 1.3 Web-based推荐系统面临的挑战及研究趋势
• 1.3.1 Web-based推荐系统面临的挑战
• 1.3.2 Web-based推荐系统的研究趋势
• 1.4 本文主要研究内容及本文的组织结构
• 1.4.1 本文主要研究内容
• 1.4.2 本文的组织结构
• 第2章 Web-based推荐系统推荐算法概述
• 2.1 协同过滤推荐算法
• 2.1.1 基于用户的协同过滤推荐算法
• 2.1.2 基于项目的协同过滤推荐算法
• 2.1.3 基于用户和基于项目1的协同过滤推荐算法优缺点对比
• 2.2 基于内容的推荐算法
• 2.2.1 基于内容的推荐算法工作原理
• 2.2.2 基于内容的相似性检索算法
• 2.3 基于知识的推荐算法
• 2.3.1 基于约束的推荐算法
• 2.3.2 基于实例的推荐算法
• 2.4 混合推荐算法
• 2.5 本章小结
• 第3章 基于动态k近邻的SlopeOne协同过滤推荐算法
• 3.1 引言
• 3.2 相关工作
• 3.2.1 加权SlopeOne算法
• 3.2.2 双极SlopeOne算法
• 3.2.3 k近邻选择
• 3.3 基于动态k近邻的SlopeOne算法
• 3.3.1 动态k近邻选择
• 3.3.2 产生推荐
• 3.3.3 数据稀疏性分析
• 3.4 实验及分析
• 3.4.1 实验目的及方法
• 3.4.2 实验结果及分析
• 3.5 本章小结
• 第4章 Web-based推荐系统中的会话推荐多样性评价研究
• 4.1 引言
• 4.2 相关工作
• 4.2.1 准确性
• 4.2.2 覆盖率
• 4.2.3 新鲜性和意外性
• 4.2.4 用户满意度
• 4.2.5 推荐列表的流行性和多样性
• 4.3 Web-based推荐系统中的会话推荐多样性研究
• 4.3.1 页面内的推荐多样性
• 4.3.2 页面间的推荐多样性
• 4.3.3 提高会话推荐多样性的离线推荐算法
• 4.4 实验及分析
• 4.4.1 实验目的及方法
• 4.4.2 实验结果及分析
• 4.5 本章小结
• 第5章 利用时间上下文信息提高推荐系统会话推荐多样性的研究
• 5.1 引言
• 5.2 相关工作
• 5.2.1 推荐系统的时间上下文信息
• 5.2.2 多样性与准确性的权衡
• 5.3 利用时间上下文信息提高推荐系统会话推荐多样性的在线推荐算法
• 5.3.1 会话期内的时间上下文信息
• 5.3.2 会话推荐树中的环路检测算法
• 5.3.3 基于会话期内时间上下文信息的在线推荐算法
• 5.4 实验及分析
• 5.4.1 实验目的及方法
• 5.4.2 实验结果及分析
• 5.5 本章小结
• 第6章 SessionRecommender会话推荐系统的设计与实现
• 6.1 引言
• 6.2 系统设计
• 6.2.1 系统设计目标
• 6.2.2 系统结构
• 6.3 系统实现
• 6.3.1 用户行为提取模块
• 6.3.2 初始推荐模块
• 6.3.3 过滤排序模块
• 6.4 本章小结
• 第7章 总结和展望
• 7.1 本文工作总结
• 7.2 研究展望
• 参考文献
• 致谢
• 攻读博士学位期间发表的论文
• 攻博期间参与的项目
• 作者简介