基于二部圖的推薦算法研究.pdf

1、電子商務(wù)的快速發(fā)展使互聯(lián)網(wǎng)信息呈爆炸性增長，持續(xù)增加的商品和服務(wù)在豐富用戶選擇的同時，不可避免的引發(fā)了信息過載（Information Load）問題：用戶在找到自己需要的商品之前，往往需要瀏覽大量的無關(guān)信息，信息使用效率下降。在此情況下，推薦系統(tǒng)應(yīng)運而生。20世紀(jì)90年代以來，出現(xiàn)了大量的推薦系統(tǒng)方面的研究成果，本文主要研究了推薦系統(tǒng)領(lǐng)域的一類算法——基于二部圖的推薦算法。
　　復(fù)雜網(wǎng)絡(luò)推薦算法的經(jīng)典算法是基于二部圖網(wǎng)絡(luò)結(jié)構(gòu)的推

2、薦算法，但以往研究通常不考慮用戶對項目的顯式評分或是直接排除低分項目，造成信息丟失，數(shù)據(jù)更加稀疏。針對此問題，本文改進(jìn)了這一推薦算法，在用戶推薦能量流動時充分考慮用戶對項目的顯式評分，首次提出用戶興趣相似系數(shù)和用戶評分代表能力兩個概念。實驗結(jié)果表明，改進(jìn)后的算法能有效提高推薦算法的準(zhǔn)確性，使推薦服務(wù)更好地滿足用戶的偏好需求。
　　傳統(tǒng)協(xié)同過濾推薦算法存在可擴(kuò)展性差，多樣性低，多樣性與準(zhǔn)確性不平衡問題。本文根據(jù)復(fù)雜網(wǎng)絡(luò)理論，將顯式用

3、戶行為數(shù)據(jù)與隱式用戶行為數(shù)據(jù)分別映射為有權(quán)二部圖與無權(quán)二部圖。在網(wǎng)絡(luò)局部范圍內(nèi)，首次使用選擇性隨機(jī)游走代替?zhèn)鹘y(tǒng)的Pearson相關(guān)系數(shù)、余弦相似性或修正的余弦相似性方法來計算用戶之間的相似度，通過制定游走過程中的目標(biāo)節(jié)點選擇策略，避免了明星用戶與多個用戶產(chǎn)生弱連接，從而有效提高了算法的多樣性。此外，選擇性隨機(jī)游走的魯棒性保證了推薦算法的可擴(kuò)展性。本文采用Movielens和Netflix顯式數(shù)據(jù)集以及TMALL隱式數(shù)據(jù)集進(jìn)行實驗。結(jié)果表