個(gè)性化推薦引擎系統(tǒng)研究.pdf

1、在這個(gè)信息過載的時(shí)代，個(gè)性化推薦技術(shù)能夠幫助用戶找到其感興趣的信息，將用戶可能感興趣的信息主動(dòng)推送到用戶面前。近年來，個(gè)性化推薦系統(tǒng)的研究得到了學(xué)術(shù)界和商業(yè)界的廣泛關(guān)注，并且應(yīng)用在實(shí)際中取得了很好的效果。但是個(gè)性化推薦系統(tǒng)還存在一些問題和挑戰(zhàn)，理論研究應(yīng)用到實(shí)際中還有一定的距離。本文從實(shí)際需求出發(fā)，對推薦引擎的整體架構(gòu)及工作原理進(jìn)行分析研究，并重點(diǎn)研究了其中最核心的推薦算法部分。本文的主要工作和創(chuàng)新點(diǎn)如下：
　　1．一般對個(gè)性化推

2、薦的研究都集中在推薦算法，而沒能從個(gè)性化推薦系統(tǒng)整體上去做探討。本文通過對個(gè)性化推薦系統(tǒng)的各個(gè)模塊整體把握，構(gòu)建了一個(gè)實(shí)用性比較強(qiáng)的個(gè)性化推薦系統(tǒng)框架?？紤]到大量數(shù)據(jù)的計(jì)算復(fù)雜性和系統(tǒng)實(shí)時(shí)響應(yīng)能力，將該系統(tǒng)分為在線部分和離線部分，離線部分負(fù)責(zé)對大量數(shù)據(jù)的計(jì)算和生成中間結(jié)果，在線部分則調(diào)用這些中間結(jié)果實(shí)時(shí)計(jì)算從而為用戶做出推薦。而后，從技術(shù)要求和實(shí)現(xiàn)功能方面對各個(gè)模塊進(jìn)行了分析介紹，并著重分析了冷啟動(dòng)問題的可能解決方案和怎樣通過用戶反饋信

3、息實(shí)時(shí)計(jì)算推薦結(jié)果的排名。
　　2．針對協(xié)同過濾算法在線計(jì)算量較大且可擴(kuò)展性較低的缺點(diǎn)，并為提高協(xié)同過濾算法的預(yù)測精度，提出了基于 K-means聚類的多興趣協(xié)同過濾算法，該算法包括兩個(gè)方面的應(yīng)用，分別是評分預(yù)測和TopN推薦。首先通過K-means算法對用戶聚類，而后將當(dāng)前用戶歸類到某一用戶集中，通過協(xié)同過濾算法為用戶計(jì)算推薦結(jié)果，在計(jì)算用戶相似度時(shí)，考慮了用戶具有多興趣性，對相似度計(jì)算公式做了改進(jìn)。在評分預(yù)測問題上，為解決評分

4、矩陣稀疏問題引起的預(yù)測精度降低，本文先通過 SVD降維方法對稀疏矩陣進(jìn)行填充，從而提高評分預(yù)測的準(zhǔn)確性。在TopN推薦上考慮時(shí)間因素的影響，改進(jìn)了用戶相似度的計(jì)算公式。通過實(shí)驗(yàn)表明，相比傳統(tǒng)的協(xié)同過濾算法，改進(jìn)的算法能得到更好的結(jié)果。
　　3．如果把用戶和項(xiàng)目看成是圖模型中的點(diǎn)，則為用戶做推薦的過程就是找出與用戶節(jié)點(diǎn)關(guān)聯(lián)性最大的項(xiàng)目節(jié)點(diǎn)，這個(gè)過程不會(huì)受到信息挖掘技術(shù)的制約。而且圖模型具有很好的擴(kuò)展性，所以我們在用戶-項(xiàng)目二部圖上進(jìn)