基于随机游走和聚类平滑的两阶段协同过滤算法

论文摘要

随着互联网的迅猛发展,网上的信息以指数级的速度增长。用户很难在短时间内找到自己感兴趣的产品或信息。为了解决“信息过载问题”,个性化推荐系统应运而生,它是根据用户的兴趣特征或购买行为,向用户推荐其感兴趣的信息或商品,是一种个性化服务系统。协同过滤是个性化推荐技术中广泛采用的推荐技术,它是根据用户已有的评价信息或购买记录分析用户的喜好,再根据用户兴趣为其推荐项目。随着用户和项目数量的不断增加,而用户对项目的评分信息非常有限,使得用户-项目评分矩阵极端稀疏,推荐系统的性能和推荐质量受到严重的影响。本文针对数据稀疏问题提出一种基于随机游走和聚类平滑的两阶段协同过滤算法。离线阶段:计算项目间相关性,通常的方法是直接计算项目间的统计相关性,如余弦相似性,但这些方法在稀疏数据下效果不好。本文提出了一个新颖方法通过加权累加各步转移概率对项目间相关性进行描述。聚类平滑,根据得到的项目相关性矩阵对项目聚类,利用聚类信息对未评分数据进行平滑处理。在线阶段:根据离线阶段得到的项目间相关性查找目标项目的邻居并预测目标用户的评分。本文提出的方法能加强项目间相关性的描述,特别是在训练集比较稀疏的情况下,使用传统相似性计算方法无法有效地描述项目间的实际关系,而该方法能很好的工作。实验表明,根据用该方法得到的项目相关性矩阵查找邻居将更加准确,可以有效地缓解稀疏数据的影响改善推荐的性能。

论文目录

• 摘要
• ABSTRACT
• 第一章 引言
• 1.1 研究背景
• 1.2 推荐系统的研究现状
• 1.3 本文的工作和论文组织
• 第二章 推荐系统
• 2.1 推荐系统概述
• 2.2 常用的推荐技术
• 2.3 推荐系统的研究内容和方向
• 2.4 推荐系统面临的挑战
• 2.5 小结
• 第三章 协同过滤技术
• 3.1 基于存储的协同过滤
• 3.1.1 相似性度量方法
• 3.1.2 预测和推荐
• 3.2 基于模型的协同过滤
• 3.2.1 朴素贝叶斯协同过滤算法
• 3.2.2 基于关联规则的协同过滤算法
• 3.2.3 潜在语义索引与奇异值分解协同过滤算法
• 3.2.4 基于聚类的协同过滤算法
• 3.2.5 其他基于模型的协同过滤算法
• 3.3 混合模型的推荐
• 3.3.1 结合协同过滤和基于内容特征的混合推荐
• 3.3.2 结合协同过滤和其他推荐系统的混合推荐
• 3.3.3 结合协同过滤的混合推荐
• 3.4 协同过滤面临的困难
• 3.4.1 数据稀疏性
• 3.4.2 可扩展性
• 3.4.3 同义性
• 3.4.4 “托”攻击问题
• 3.4.5 特殊用户问题
• 3.5 评价机制
• 3.6 小结
• 第四章 基于随机游走和聚类平滑的协同过滤算法
• 4.1 随机游走模型
• 4.2 聚类平滑
• 4.3 邻居查找和预测推荐
• 4.4 计算复杂性
• 4.5 小结
• 第五章 实验结果与分析
• 5.1 数据集
• 5.2 评价标准
• 5.3 实验参数的调整
• 5.4 实验结果及分析
• 5.5 小结
• 第六章 总结
• 6.1 本文工作
• 6.2 进一步工作
• 参考文献
• 简历
• 致谢