利用關(guān)聯(lián)數(shù)據(jù)中隱式反饋的Top-N推薦系統(tǒng)研究.pdf

1、近些年來隨著互聯(lián)網(wǎng)的迅速發(fā)展，信息負(fù)載對(duì)用戶的決策產(chǎn)生了巨大的挑戰(zhàn)。推薦系統(tǒng)已經(jīng)成為一種有效的工具用來幫助人們?cè)趶?fù)雜的信息空間中找到他可能感興趣的物品。但是由于在大多數(shù)問題中推薦系統(tǒng)只有用戶對(duì)物品的評(píng)分信息，信息的局限性導(dǎo)致了推薦效果不是很理想。目前主流的推薦系統(tǒng)的研究主要分為兩個(gè)方面，一個(gè)是基于協(xié)同過濾方法，使用不同的方法構(gòu)造用戶和物品的新特征，根據(jù)新的特征進(jìn)行改進(jìn)。另一個(gè)是基于矩陣分解的方法，該方法通過矩陣分解的辦法解決推薦問題中數(shù)

2、據(jù)稀疏的問題。本文通過加入鏈接數(shù)據(jù)，構(gòu)建鏈接數(shù)據(jù)與實(shí)體數(shù)據(jù)的關(guān)系模型提高了Top-N推薦的準(zhǔn)確性。本文的主要研究內(nèi)容分為以下幾個(gè)方面：
　　首先，通過改進(jìn)用戶近鄰的選擇和引入評(píng)分正則化改進(jìn)了基于用戶的推薦算法，然后通過一個(gè)直觀的三維數(shù)據(jù)模型表示物品和鏈接數(shù)據(jù)之間的關(guān)系，在模型中提取物品特征，然后利用基于內(nèi)容的推薦算法進(jìn)行計(jì)算。最后使用了基于線性混合的算法將兩個(gè)算法結(jié)果進(jìn)行混合，改進(jìn)了推薦的效果。
　　其次，將數(shù)據(jù)利用圖結(jié)構(gòu)表

3、示，利用兩種不同的相似度計(jì)算方法來計(jì)算圖中的推薦，一種使用基于圖中邊數(shù)目的方法，另一種利用一維數(shù)據(jù)模型將數(shù)據(jù)表示成特征向量，計(jì)算他們之間的相似度。然后考慮二部圖中的性質(zhì)，利用剛才計(jì)算的相似度進(jìn)行Top-N推薦。
　　最后，深入分析了二部圖的性質(zhì)，通過考慮鏈接數(shù)據(jù)中的隱式反饋信息，將鏈接數(shù)據(jù)加入到二部圖中構(gòu)成新的三部圖。通過提取三部圖中路徑的特征分別構(gòu)建用戶和物品的特征，使用排序?qū)W習(xí)函數(shù)將Top-N推薦問題轉(zhuǎn)化為一個(gè)二分類問題，最后