基于時間動態(tài)影響的協(xié)同過濾推薦系統(tǒng)相關研究.pdf

1、互聯(lián)網(wǎng)蓬勃發(fā)展，已經(jīng)進入了人們生活的方方面面，給人們生活帶來便捷的同時，產(chǎn)生了大量的數(shù)據(jù)。面對海量的信息，用戶很難檢索出自己感興趣的信息，導致了“信息過載”現(xiàn)象。為了解決這類問題，推薦系統(tǒng)應運而生，其通過分析用戶提供的信息及其行為，建立用戶的興趣模式，匹配用戶偏好，主動向用戶推薦其感興趣的信息，幫助用戶發(fā)現(xiàn)其潛在的感興趣信息，提升用戶對系統(tǒng)的忠誠度，推動了信息的交互。在推薦系統(tǒng)中推薦算法是核心，其中協(xié)同過濾技術是應用最廣泛，最成熟的技術

2、。協(xié)同過濾技術不需要用戶檔案，不需要領域相關的知識，它基于用戶的歷史行為和歷史數(shù)據(jù)，推理出用戶隱藏的行為模式和興趣偏好，然后進行相關的推薦。由于協(xié)同過濾技術具有較好的推薦效果和較好的擴展性，已應用于多個大型商務網(wǎng)站。本文對協(xié)同過濾技術進行深入的研究，提出了一個多模型的整合模型，對推薦精度有較大的提升。
　　本文分析了協(xié)同過濾兩大主流模型，即隱因子模型和鄰居模型。隱因子模型主要討論奇異值分解(SVD)技術，鄰居模型主要討論基于項目和

3、基于用戶的模型。分析隱因子模型和鄰居模型各自的優(yōu)劣，對協(xié)同過濾技術中存在的問題，如可解釋性，擴展性，新用戶等問題進行分析研究。針對SVD模型精度較高但是缺乏可解釋性的問題，引入了不對稱的SVD模型。通過考慮用戶和項目偏差來修改皮爾遜相關相似性度量規(guī)則，以鄰居關系來剪枝不相關的項目間聯(lián)系，從而形成了剪枝的全局鄰居模型，降低了時間空間復雜度，解決了全局優(yōu)化鄰居模型的擴展性問題。但由于剪枝會影響精度，因此為了在降低時間和空間復雜度的同時不影響

4、精度，提出因子化項目關系的全局優(yōu)化鄰居模型，該模型類似于不對稱SVD模型，但卻有不同的意義。該模型既能整合因子化用戶關系，又能在保持精度的同時降低時間和空間復雜度，還改善了可解釋性，擴展性和新用戶等問題。本文還分析了三個影響推薦技術精度的其它因素，即隱式反饋、時間動態(tài)影響因子和置信水平，分別總結了其在各個模型上的表現(xiàn)形式，并得到隱式反饋和時間動態(tài)影響因子對推薦效果的提升遠大于其他因素對模型的改進的結論。最后綜合前文的總結、研究分析及一些

5、改進工作，提出了一個整合了基線估計、剪枝的全局鄰居模型、SVD++和因子化用戶關系的全局鄰居模型，以及添加了時間動態(tài)影響的新的綜合模型。
　　本文在Netflix數(shù)據(jù)集上進行實驗，根據(jù)均方誤差根（RMSE）測量推薦效果。分別比較各個鄰居模型的精度和各個SVD模型的精度;比較了不同因子化鄰居模型對運行時間的改善;比較了帶有時間動態(tài)影響因子模型和不帶時間動態(tài)因子模型的精度。由Netflix數(shù)據(jù)集上的實驗驗證了以下結論:因子化用戶間或項