基于商空間模型的協(xié)同過濾推薦算法研究.pdf

1、隨著信息技術(shù)和互聯(lián)網(wǎng)的飛速發(fā)展，網(wǎng)絡(luò)資源變得極大豐富，多渠道的信息來源使得信息的產(chǎn)生變得更加便捷。隨之帶來的海量信息在給人們提供豐富資訊的同時(shí)，過載信息(overload information)也帶來人們選擇的困難。
　　推薦系統(tǒng)作為一種能夠解決信息過載問題并可提供個(gè)性化服務(wù)的有效工具近年來得到了廣泛地關(guān)注。協(xié)同過濾是目前運(yùn)用最為成功的推薦技術(shù)，近年來在此之上的新算法層出不窮，隨著網(wǎng)絡(luò)規(guī)模的擴(kuò)大，用戶和商品人數(shù)的激增和社交媒體的

2、加入，協(xié)同過濾方法面臨著諸多挑戰(zhàn)。
　　商空間粒度計(jì)算理論利用人類處理復(fù)雜問題的求解思想，將問題高度抽象成論域，屬性和結(jié)構(gòu)三元組（X，f，T)進(jìn)行描述，其采用由粗到細(xì)?；鸩角蠼獾姆治龇椒?，對(duì)復(fù)雜問題的求解具有重要的意義。
　　本文利用商空間模型對(duì)推薦問題進(jìn)行表示，通過?；筛纳仆扑]性能。首先依據(jù)商空間理論對(duì)推薦問題進(jìn)行總體描述和說明，接著分別依據(jù)屬性和結(jié)構(gòu)對(duì)協(xié)同過濾算法進(jìn)行研究，重點(diǎn)研究了推薦系統(tǒng)中的數(shù)據(jù)稀疏性問題、實(shí)時(shí)性

3、問題、魯棒性問題、社交關(guān)系對(duì)推薦系統(tǒng)影響等若干問題，給出了商空間模型的對(duì)應(yīng)描述，從粒計(jì)算的角度對(duì)這類問題提出了相應(yīng)的解決方法。
　　本文的主要研究工作概括如下:
　　(1)給出了商空間理論對(duì)于推薦系統(tǒng)問題的整體描述;
　　利用商空間中三元組（X,f，T）表示問題的論域、屬性和結(jié)構(gòu)。將推薦問題看成用戶評(píng)分為論域X，用戶相關(guān)特征為屬性f，用戶與用戶相互關(guān)系為結(jié)構(gòu)T的系統(tǒng)，構(gòu)建了用戶為核心的商空間模型。并進(jìn)一步給出了常見的協(xié)

4、同過濾推薦算法的粒度視角下的描述。以該該模型作為基礎(chǔ)，對(duì)以用戶聲譽(yù)、用戶間評(píng)分關(guān)系、用戶間社交關(guān)系等作為屬性和結(jié)構(gòu)，為論文提及的推薦系統(tǒng)中若干具體問題研究與求解奠定了基礎(chǔ)。
　　(2)研究了用戶聲譽(yù)屬性對(duì)多種推薦系統(tǒng)的影響;
　　隱語義分解模型以商空間的視角可以看成在某一最優(yōu)準(zhǔn)則下生成兩個(gè)較小粒子，并進(jìn)一步合成較大粒子的過程，我們將用戶聲譽(yù)屬性代入到最優(yōu)準(zhǔn)則中，將其用于不同的隱語義分解模型中，考察用戶聲譽(yù)值對(duì)不同推薦系統(tǒng)的影

5、響。
　　本文利用歷史評(píng)分迭代學(xué)習(xí)得到用戶聲譽(yù)值，并將其引入到一般推薦系統(tǒng)和社交推薦系統(tǒng)中，提出了結(jié)合聲譽(yù)的LFM模型（LFMrep）和基于聲譽(yù)的社交推薦PMF模型（SoRS）。實(shí)驗(yàn)結(jié)果表明使用用戶聲譽(yù)可以去除系統(tǒng)由于用戶評(píng)分不嚴(yán)謹(jǐn)帶來的噪聲，提高系統(tǒng)推薦精度;在一般推薦系統(tǒng)中對(duì)聲譽(yù)值過高的用戶進(jìn)行抑制可以提高系統(tǒng)的魯棒性，增強(qiáng)系統(tǒng)的抗攻擊能力;在社交推薦中引入聲譽(yù)系統(tǒng)在數(shù)據(jù)稀疏訓(xùn)練集不足的情況下推薦精度亦可得到保證。另外使用?；?/p>

6、思想，提出了基于用戶聲譽(yù)粒化的社交推薦算法（SrBug），實(shí)驗(yàn)結(jié)果表明在短推薦列表推薦精度無明顯變化的情況下，推薦響應(yīng)優(yōu)勢(shì)明顯。
　　(3)研究了利用粒度思想對(duì)推薦問題中用戶鄰域進(jìn)行結(jié)構(gòu)?；姆椒?
　　本文將用戶之間的相似性關(guān)系視為推薦問題中具有無權(quán)特性的網(wǎng)絡(luò)結(jié)構(gòu)關(guān)系，使用商空間粒化的思想構(gòu)造出用戶鄰域，并在用戶鄰域中進(jìn)行推薦。提出了一種依據(jù)無結(jié)構(gòu)的評(píng)分?jǐn)?shù)據(jù)進(jìn)行建模，映射出用戶間評(píng)分關(guān)系網(wǎng)絡(luò)，并使用社團(tuán)發(fā)現(xiàn)算法對(duì)其用戶鄰域

7、進(jìn)行結(jié)構(gòu)?；姆椒ǎ–UCRA），實(shí)驗(yàn)結(jié)果表明，利用結(jié)構(gòu)粒化的方法，可以更有效發(fā)現(xiàn)用戶近鄰，在不降低精度的前提下，算法具有較好的線上響應(yīng)時(shí)間。進(jìn)一步地我們使用分層聚類的思想對(duì)用戶鄰域進(jìn)行優(yōu)化，形成層次粒化用戶鄰域模型（HGUCRA），相關(guān)實(shí)驗(yàn)表明該模型中的推薦結(jié)果在獲得較優(yōu)時(shí)間響應(yīng)的同時(shí)也獲得了較好的推薦精度。
　　(4)以模糊等價(jià)關(guān)系定義了社交網(wǎng)絡(luò)中的“三度”之內(nèi)的社交關(guān)系及其分層遞階結(jié)構(gòu)，深度挖掘了三度之內(nèi)的社交關(guān)系對(duì)推薦系統(tǒng)

8、精度的影響。
　　本文選取用戶間社交關(guān)系及其相似性作為推薦問題中的有權(quán)特性的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行研究，依據(jù)模糊等價(jià)關(guān)系的定義得到以步長(zhǎng)為截集的分層遞階結(jié)構(gòu)，提出了基于上下文子圖傳播的隱含關(guān)系的社交推薦算法（IRSubNet），該算法將“三度”之內(nèi)的隱含關(guān)系和明確關(guān)系整合到了一個(gè)統(tǒng)一的框架中來，相比其他推薦算法，IRSubNet深度挖掘了三度之內(nèi)的社交關(guān)系，定義了社交網(wǎng)絡(luò)中任意兩點(diǎn)基于上下文子圖的社交相似性的計(jì)算方法，重點(diǎn)分析了隱含關(guān)系在推