實時推薦中精確性和實時性改進算法研究.pdf

1、得益于互聯網技術的快速發(fā)展，網絡上的數據呈指數增加。人們被海量數據所包圍以至于發(fā)現感興趣的信息愈加困難，推薦系統(tǒng)在這種“信息過載”的情形下應運而生。單個推薦模型具有各種局限性，研究人員通常使用一些組合方法將多個推薦模型進行融合，利用多模型的優(yōu)點來彌補單模型的不足。另外，傳統(tǒng)的推薦模型需要定期更新模型，每次推薦的依據都是上次更新前的歷史數據，難以滿足實時推薦需求，而現實生活中推薦系統(tǒng)面臨的問題更多是基于短時期內的數據，這類場景中的物品一般

2、具有短時效性，因此實時推薦變得愈加重要。本文的主要工作有以下幾個方面：
　?、俦疚难芯苛送扑]系統(tǒng)中常用的模型組合方法，并提出了一種混合多模型的協同過濾算法，在算法中提出了“虛擬鄰居物品”。該算法使用協同過濾的思想將多個模型進行組合，克服了傳統(tǒng)基于物品的協同過濾算法的局限，可以有效提高推薦精度。矩陣分解模型和受限玻爾茲曼機模型是效果比較好的兩個單模型，本文主要選擇這兩個模型以及它們的一些擴展版本進行組合。實驗中首先對四個單模型參數調

3、優(yōu)，然后對比四個單模型的效果，最后選擇效果最好的兩個模型通過本文所提算法進行組合，并與常用的其他模型組合方法做對比實驗。
　　②本文提出了一種基于用戶行為權重的實時性改進算法，通過時間窗口對最近一段時間內的用戶行為建模，充分利用用戶行為數據的時間維度信息為不同時刻的行為賦予不同權重，使越靠近當前時刻的行為權重越大，從而對推薦結果的影響也就越大，使推薦結果更能體現與用戶當前行為的關聯性。最后通過實驗驗證該算法對推薦結果實時性的改進。