基于商空間模型的協同過濾推薦算法研究.pdf

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

2、加入，協同過濾方法面臨著諸多挑戰(zhàn)。
　　商空間粒度計算理論利用人類處理復雜問題的求解思想，將問題高度抽象成論域，屬性和結構三元組（X，f，T)進行描述，其采用由粗到細?；鸩角蠼獾姆治龇椒?，對復雜問題的求解具有重要的意義。
　　本文利用商空間模型對推薦問題進行表示，通過?；筛纳仆扑]性能。首先依據商空間理論對推薦問題進行總體描述和說明，接著分別依據屬性和結構對協同過濾算法進行研究，重點研究了推薦系統中的數據稀疏性問題、實時性

3、問題、魯棒性問題、社交關系對推薦系統影響等若干問題，給出了商空間模型的對應描述，從粒計算的角度對這類問題提出了相應的解決方法。
　　本文的主要研究工作概括如下:
　　(1)給出了商空間理論對于推薦系統問題的整體描述;
　　利用商空間中三元組（X,f，T）表示問題的論域、屬性和結構。將推薦問題看成用戶評分為論域X，用戶相關特征為屬性f，用戶與用戶相互關系為結構T的系統，構建了用戶為核心的商空間模型。并進一步給出了常見的協

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，對以用戶聲譽、用戶間評分關系、用戶間社交關系等作為屬性和結構，為論文提及的推薦系統中若干具體問題研究與求解奠定了基礎。
　　(2)研究了用戶聲譽屬性對多種推薦系統的影響;
　　隱語義分解模型以商空間的視角可以看成在某一最優(yōu)準則下生成兩個較小粒子，并進一步合成較大粒子的過程，我們將用戶聲譽屬性代入到最優(yōu)準則中，將其用于不同的隱語義分解模型中，考察用戶聲譽值對不同推薦系統的影

5、響。
　　本文利用歷史評分迭代學習得到用戶聲譽值，并將其引入到一般推薦系統和社交推薦系統中，提出了結合聲譽的LFM模型（LFMrep）和基于聲譽的社交推薦PMF模型（SoRS）。實驗結果表明使用用戶聲譽可以去除系統由于用戶評分不嚴謹帶來的噪聲，提高系統推薦精度;在一般推薦系統中對聲譽值過高的用戶進行抑制可以提高系統的魯棒性，增強系統的抗攻擊能力;在社交推薦中引入聲譽系統在數據稀疏訓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?；纳缃煌扑]算法（SrBug），實驗結果表明在短推薦列表推薦精度無明顯變化的情況下，推薦響應優(yōu)勢明顯。
　　(3)研究了利用粒度思想對推薦問題中用戶鄰域進行結構?；姆椒?
　　本文將用戶之間的相似性關系視為推薦問題中具有無權特性的網絡結構關系，使用商空間?；乃枷霕嬙斐鲇脩羿徲?，并在用戶鄰域中進行推薦。提出了一種依據無結構的評分數據進行建模，映射出用戶間評分關系網絡，并使用社團發(fā)現算法對其用戶鄰域

7、進行結構粒化的方法（CUCRA），實驗結果表明，利用結構?；姆椒ǎ梢愿行Оl(fā)現用戶近鄰，在不降低精度的前提下，算法具有較好的線上響應時間。進一步地我們使用分層聚類的思想對用戶鄰域進行優(yōu)化，形成層次?；脩羿徲蚰Ｐ停℉GUCRA），相關實驗表明該模型中的推薦結果在獲得較優(yōu)時間響應的同時也獲得了較好的推薦精度。
　　(4)以模糊等價關系定義了社交網絡中的“三度”之內的社交關系及其分層遞階結構，深度挖掘了三度之內的社交關系對推薦系統

8、精度的影響。
　　本文選取用戶間社交關系及其相似性作為推薦問題中的有權特性的網絡結構進行研究，依據模糊等價關系的定義得到以步長為截集的分層遞階結構，提出了基于上下文子圖傳播的隱含關系的社交推薦算法（IRSubNet），該算法將“三度”之內的隱含關系和明確關系整合到了一個統一的框架中來，相比其他推薦算法，IRSubNet深度挖掘了三度之內的社交關系，定義了社交網絡中任意兩點基于上下文子圖的社交相似性的計算方法，重點分析了隱含關系在推