播存結(jié)構(gòu)中基于協(xié)同過濾的內(nèi)容推薦技術(shù)研究.pdf

1、隨著互聯(lián)網(wǎng)流量的日益激增，現(xiàn)有互聯(lián)網(wǎng)架構(gòu)和內(nèi)容傳輸技術(shù)體系越來越難以為高效信息共享提供有效的支持。播存結(jié)構(gòu)將廣播分發(fā)模式引入現(xiàn)有互聯(lián)網(wǎng)體系結(jié)構(gòu)，將大量用戶所共同感興趣的資源，通過物理廣播直接輻射分發(fā)至邊緣服務(wù)器供用戶訪問，極大地降低網(wǎng)絡(luò)冗余流量，緩解“信息過載”問題，實(shí)現(xiàn)高效信息共享。統(tǒng)一內(nèi)容標(biāo)簽UCL是播存結(jié)構(gòu)的基礎(chǔ)，用戶通過UCL判斷是否需要訪問信息資源全文。然而由于UCL數(shù)量巨大，用戶難以有效選擇符合自身興趣的UCL，如何將UCL

2、個(gè)性化推薦給用戶，高效地實(shí)現(xiàn)無限內(nèi)容與有限用戶興趣之間的匹配，成為播存結(jié)構(gòu)的關(guān)鍵。
　　協(xié)同過濾是一種應(yīng)用廣泛的興趣適配方法，但在播存結(jié)構(gòu)中，已有方法存在著極大不足。首先，在相似鄰居挖掘階段，已有方法往往僅基于用戶對(duì)項(xiàng)目的數(shù)值評(píng)分信息，無法充分利用豐富的UCL屬性及用戶屬性信息，造成相似鄰居挖掘準(zhǔn)確度較低;其次，在預(yù)測(cè)用戶興趣階段，已有方法預(yù)測(cè)參數(shù)固定，預(yù)測(cè)性能通常因數(shù)據(jù)集而異，而在播存結(jié)構(gòu)中，由于UCL的不間斷分發(fā)，其數(shù)據(jù)集變化

3、頻繁，已有研究難以有效應(yīng)對(duì);最后，在優(yōu)化推薦列表多樣性階段，傳統(tǒng)方法大多需要訓(xùn)練多樣性控制參數(shù)，同樣難以適應(yīng)播存結(jié)構(gòu)中數(shù)據(jù)集的頻繁變化，此外傳統(tǒng)方法無法兼顧用戶評(píng)分及UCL語義信息，缺乏推薦時(shí)效性考慮，方法多樣性效果較差，抑制了播存結(jié)構(gòu)的整體性能。
　　本文針對(duì)上述問題，從四個(gè)方面入手展開對(duì)播存結(jié)構(gòu)中基于協(xié)同過濾的內(nèi)容推薦技術(shù)的研究工作。首先，研究播存結(jié)構(gòu)中高效的用戶聚類算法及UCL分類算法，基于二者分別提出基于用戶社會(huì)信息及UC

4、L屬性信息的相似度度量方法，實(shí)現(xiàn)相似用戶及UCL的高效挖掘，為后續(xù)興趣預(yù)測(cè)打下基礎(chǔ);其次，研究數(shù)據(jù)密集特征與預(yù)測(cè)算法性能之間的內(nèi)在聯(lián)系，提出一種數(shù)據(jù)密集特征驅(qū)動(dòng)的用戶興趣預(yù)測(cè)算法，在播存結(jié)構(gòu)中數(shù)據(jù)集發(fā)生改變時(shí)，及時(shí)對(duì)數(shù)據(jù)集密集特征進(jìn)行深入分析及評(píng)估，選擇合適預(yù)測(cè)參數(shù)，保證預(yù)測(cè)結(jié)果的高效及穩(wěn)定性;然后，研究設(shè)計(jì)時(shí)間敏感的語義覆蓋樹，并基于此提出一種播存結(jié)構(gòu)中無加權(quán)參數(shù)的UCL推薦列表多樣性優(yōu)化算法，在優(yōu)化過程中，兼顧用戶評(píng)分信息及UCL語

5、義信息，以完成全面多樣化的UCL推薦，并重點(diǎn)研究推薦時(shí)效性與算法響應(yīng)速度;最后，在實(shí)際部署的播存結(jié)構(gòu)中設(shè)計(jì)及實(shí)現(xiàn)基于協(xié)同過濾的個(gè)性化內(nèi)容推薦系統(tǒng)，并對(duì)其各個(gè)模塊進(jìn)行全面的功能測(cè)試，驗(yàn)證本文研究的有效性和可行性。
　　本文對(duì)播存結(jié)構(gòu)中的內(nèi)容推薦技術(shù)進(jìn)行了深入研究，通過一系列實(shí)驗(yàn)以及在實(shí)際播存結(jié)構(gòu)中的運(yùn)行結(jié)果表明，本文研究成果能夠?qū)崿F(xiàn)精確全面的UCL個(gè)性化推薦，為播存結(jié)構(gòu)的高效運(yùn)行提供有力支持。同時(shí)，本文的理論研究對(duì)于其它領(lǐng)域的個(gè)性化