基于回歸策略的推薦算法研究.pdf

1、互聯(lián)網(wǎng)提供的信息廣泛而復雜，限于普通用戶的知識儲備及認知能力，極易造成用戶無法有效地獲取、理解與使用信息.推薦系統(tǒng)以海量數(shù)據(jù)挖掘技術(shù)作為基礎，不需要用戶提出明確的需求，通過分析用戶在網(wǎng)絡上的歷史行為，對用戶的興趣建模，主動為用戶推薦能夠滿足他們需求的信息.通常將用戶各種形式的需求定義為商品，用評分表示用戶對商品的興趣，系統(tǒng)根據(jù)用戶評分高低決定是否向其推薦某種商品.如何通過已知的用戶歷史評分記錄預測未知的用戶評分，稱為評分預測問題，它是推

2、薦系統(tǒng)研究的核心.
　　首先，本文對協(xié)同過濾算法、基于內(nèi)容的推薦算法、模型組合算法的提出與發(fā)展進行詳細闡述，并對回歸算法在推薦系統(tǒng)中發(fā)揮的重要作用進行總結(jié).其次，本文對線性回歸、k近鄰等傳統(tǒng)回歸算法及NCLUS等網(wǎng)絡回歸算法的原理和實現(xiàn)進行了深入討論.第三，本文提出迭代加權(quán)回歸算法.該算法采用迭代分類算法的集體學習框架，每步迭代中將待預測實例逐個輸入局部回歸模型更新標簽值，直至達到既定目標.局部回歸模型是由待預測實例的k近鄰根據(jù)加

3、權(quán)回歸算法學習而來.此外，對名稱型屬性的處理方式、屬性選擇方法，借鑒了線性回歸算法的思想.第四，本文利用用戶評分數(shù)據(jù)集發(fā)掘商品與商品之間的自相關性，將商品看作數(shù)據(jù)網(wǎng)絡中的節(jié)點，對節(jié)點之間的距離進行重新定義，進而將評分預測問題轉(zhuǎn)化為網(wǎng)絡回歸問題.最后，將迭代加權(quán)回歸算法應用于評分預測問題.
　　實驗分為兩部分，第一部分實驗在空間網(wǎng)絡數(shù)據(jù)集合和社會網(wǎng)絡數(shù)據(jù)集合上執(zhí)行，通過與傳統(tǒng)回歸算法及NCLUS算法進行對比，驗證了迭代加權(quán)回歸算法能