Web大數(shù)據(jù)多層級相關推薦算法研究.pdf

1、隨著網(wǎng)絡的普及和信息技術的飛速發(fā)展，Web大數(shù)據(jù)遍布生活各個領域，成為云計算時代，人們生活的重要組成部分。然而，Web大數(shù)據(jù)的數(shù)據(jù)規(guī)模龐大，以至于用戶無法直接從中獲取自身需要的信息。推薦系統(tǒng)作為解決Web大數(shù)據(jù)信息過載問題的有效工具之一，有著極其廣泛的應用。相關推薦，是一個挖掘并展示用戶感興趣物品的相關物品的過程。相關推薦作為推薦系統(tǒng)最常見的應用場景之一，和個性化推薦場景并存于各大推薦平臺之中。為了適應更新速度較快的Web大數(shù)據(jù)集，多層

2、級相關推薦為合理處理Web大數(shù)據(jù)提供了全新的改進思路。
　　本文以推薦系統(tǒng)中的Web大數(shù)據(jù)為研究對象，主要針對相關推薦算法進行研究，從提高多樣性、緩解稀疏性、把握時效性、利用群體性等方面改進傳統(tǒng)相關推薦算法，提出更適合Web大數(shù)據(jù)的多層級相關推薦算法。本文首先提出一種基于熱度融合的相關推薦算法，該算法采用熱度排序策略處理低熱度物品，采用熱度均衡策略平衡熱門物品與長尾物品的權重，有效發(fā)揮長尾效應的價值。實驗結果表明，該算法在保證推薦

3、準確性的同時提高推薦結果多樣性。
　　此外，本文提出一種基于資源傳播的相關推薦算法，將資源傳播方法應用于相關推薦，來緩解Web大數(shù)據(jù)相關推薦面臨的稀疏性問題。并以此作為離線計算過程，結合實時計算的用戶反饋信息，構建一種基于用戶反饋的多層級推薦模型，使得相關推薦過程能夠考慮到用戶對物品的實時偏好以及對歷史推薦的態(tài)度?；邳c擊反饋的多層級相關推薦算法，把握了數(shù)據(jù)的時效性，使得推薦結果根據(jù)用戶反饋實時調(diào)整。實驗結果表明，用戶對該多層級推

4、薦算法的推薦結果更加滿意。
　　最后，由于用戶群特征在一定程度上會影響用戶期望得到的相關推薦結果，因此我們根據(jù)不同特征劃分用戶群，分析不同群成員間的偏好差異。我們將群推薦技術用于相關推薦，提出適合不同特征維度Web大數(shù)據(jù)的群相關推薦方法。在此基礎上，提出基于邏輯回歸的多層級群相關推薦算法。該算法根據(jù)實時計算的用戶反饋信息以及不同特征用戶群的反饋信息，建立邏輯回歸模型，預測不同群特征用戶對相關推薦結果的滿意程度。從而避免重復訓練相似