受約束的Gale-Shapley機制下推薦算法研究.pdf

1、雙邊匹配理論具有廣闊的應(yīng)用前景，現(xiàn)實生活中的雙邊匹配機制往往不具備穩(wěn)定性、抗操作等理想性質(zhì)，在可操作的雙邊匹配機制中為匹配主體的選擇策略進行有效的推薦是雙邊匹配研究領(lǐng)域較新的研究視角。本文基于經(jīng)典的Gale-Shapley機制，對受約束的Gale-Shapley機制及該機制下的兩類不同情形的推薦問題進行了研究。第一種推薦情形是在匹配申請方的主體還沒有選擇任何對方主體的情況下，根據(jù)其風(fēng)險偏好和優(yōu)先順序等基本屬性進行推薦；第二種推薦情形是在

2、匹配申請方的主體已經(jīng)選擇部分對方主體的情況下對其進行推薦。
　　為了解決這兩類情形下的推薦問題，結(jié)合匹配機制的特征，分別提出了基于F分?jǐn)?shù)的推薦算法和基于最近鄰的關(guān)聯(lián)規(guī)則推薦算法，并且以平行志愿為案例對所提的兩種算法進行了分析，具體的工作如下：
　?。?）對受約束的Gale-Shapley機制及其推薦問題模型進行了研究
　　基于經(jīng)典的 Gale-Shapley機制，結(jié)合現(xiàn)實中可操作的雙邊匹配問題，如人員招聘、平行志愿等，

3、提出受約束的 Gale-Shapley機制。提出了在受約束的Gale-Shapley機制下的兩類不同情形的推薦問題，一類是甲方主體在沒有選擇任何乙方主體的情形下，結(jié)合甲方主體的風(fēng)險偏好進行推薦，另一類是在甲方主體已經(jīng)選擇了部分乙方主體的情形下進行推薦。
　　（2）提出了基于F分?jǐn)?shù)的推薦算法
　　為了解決第一類推薦問題，提出一種風(fēng)險可調(diào)控的推薦算法，即基于 F分?jǐn)?shù)的推薦算法。在一定風(fēng)險偏好下，給甲方主體 x推薦合適的乙方主體，

4、需要權(quán)衡甲方主體的優(yōu)先順序 r在乙方主體的歷史匹配到的甲方主體優(yōu)先順序序列 Sy中的相對位置。為此，本文定義了名次優(yōu)勢和名次劣勢兩個指標(biāo)來評估 r在 Sy中的相對位置，然后引用F分?jǐn)?shù)對名次優(yōu)勢和名次劣勢進行加權(quán)綜合，F(xiàn)分?jǐn)?shù)可以看作r在Sy中相對位置的一種綜合度量，權(quán)重的大小則反映了甲方主體x的風(fēng)險偏好。
　?。?）提出了基于最近鄰的關(guān)聯(lián)規(guī)則推薦算法
　　為了解決第二類推薦問題，提出基于最近鄰的關(guān)聯(lián)規(guī)則推薦算法。將每一個甲方主

5、體的每一次選擇看作一項事務(wù)，那么甲方主體最近鄰的選擇清單就可以構(gòu)成一個最近鄰事務(wù)數(shù)據(jù)集，從而可以在最近鄰事務(wù)數(shù)據(jù)集上進行關(guān)聯(lián)規(guī)則挖掘，分析最近鄰的不同選擇清單中乙方主體之間的關(guān)聯(lián)。在甲方主體選擇了某些乙方主體之后，將已經(jīng)選擇的乙方主體看作是強關(guān)聯(lián)規(guī)則先導(dǎo)，則強關(guān)聯(lián)規(guī)則的后繼就是在一定支持度和置信度條件下要給甲方主體推薦的結(jié)果。
　　（4）設(shè)計了評價指標(biāo)，以平行志愿為案例對兩種推薦算法推薦效果進行分析對于第一類推薦問題，能否成功匹配

6、是主要考慮的問題，因此對于基于 F分?jǐn)?shù)的推薦算法，采用推薦成功率和總效用兩個指標(biāo)進行評價，通過在多組數(shù)據(jù)集上與基于平均匹配名次的推薦算法和基于最低匹配名次的推薦算法進行實驗對比。實驗結(jié)果驗證了基于 F分?jǐn)?shù)推薦算法的風(fēng)險可調(diào)控性，并且具有較好的推薦成功率，推薦結(jié)果的整體滿意度也較高。對于第二類推薦問題，已選的乙方主體是甲方主體在權(quán)衡自身條件后的選擇，因此發(fā)掘乙方主體長尾能力是主要考慮的問題，進而對于基于最近鄰的關(guān)聯(lián)規(guī)則推薦算法，采用推薦成