基于動態(tài)集成方法的混合推薦系統(tǒng)研究.pdf

1、隨著互聯(lián)網(wǎng)的迅猛發(fā)展，尤其是社會網(wǎng)絡流行和被人們普遍使用，信息已經(jīng)出現(xiàn)爆炸式的增長。網(wǎng)絡中存在的海量信息，為用戶提供了非常多的選擇，但是這么多的選擇，卻讓用戶更加的無所適從。雖然這些信息存在著巨大的作用和商業(yè)價值，如何為用戶提供更好的服務，產生更大的價值，成為了研究者當前研究的熱點。隨著互聯(lián)網(wǎng)的進步和研究人員的努力，推薦系統(tǒng)技術成為了緩解信息過載問題的一種非常有效的方法。它可以從海量的信息中，挖掘出有用的信息，為用戶提供更好的服務，例如

2、得分的預測，項目列表的推薦等。
　　在現(xiàn)實的推薦系統(tǒng)中，協(xié)同過濾技術是最流行和被廣泛應用的推薦算法。它分為兩種類型的方法，集基于記憶的方法和基于模型的算法。在現(xiàn)實的網(wǎng)絡中，像電影評分，都可以采用上面的兩種類型的方法進行預測。但是真實的電影評分數(shù)據(jù)，每一個用戶擁有的數(shù)量和評分的偏好都是不一樣的，這就導致協(xié)同過濾中，兩種類型的方法對于每一個用戶的預測準確度是不相同的。這兩種類型的方法事實上針對評分的數(shù)據(jù)的地方是不一樣的，其中基于記憶的

3、協(xié)同過濾方法更適合發(fā)現(xiàn)相似的用戶，如果用戶的數(shù)據(jù)比較少，則表現(xiàn)比較不穩(wěn)定，而基于模型的方法主要種全局優(yōu)化，而忽略了評分數(shù)據(jù)比較多的用戶的特點。并且隨著社會網(wǎng)絡的發(fā)展，信任關系在服務中起著越來越重要的作用，不可被忽略。因而基于信任的推薦方法被提出，并證明即使用戶擁有比較少的信任關系，也可以通過社會網(wǎng)絡中的信任關系提供更準確的推薦。但是當一個用戶擁有比較少的朋友時，基于信任的推薦方法表現(xiàn)比較差。在社會網(wǎng)絡中，對于每一個用戶來說，由于信任關系

4、和評分數(shù)據(jù)分布不均衡，傳統(tǒng)的協(xié)同過濾推薦算法和基于信任的社會推薦在推薦時在對每一個用戶進行預測時，都有不同的表現(xiàn)。例如在一個用戶有非常多的評分情況下，即使擁有的信任關系比較少，使用協(xié)同過濾算法要比基于信任的推薦方法此時預測的效果要好。與之相反，在用戶在擁有大量的信任關系，即使缺少評分數(shù)據(jù)的情況下，基于信任的推薦方法表現(xiàn)的要比協(xié)同過濾的方法好。
　　在本論文中，我們針對上面提出的問題，主要做了下面的探索和研究:
　　1)針對評

5、分數(shù)據(jù)分布不均衡問題，將基于記憶中的最近鄰方法和基于模型中的概率矩陣分解的方法集成，提出了一種混合推薦模型DPMFNeg，它根據(jù)用戶在評分數(shù)據(jù)集上的分布特點，結合基于記憶的推薦方法和基于模型的算法的優(yōu)點。我們在兩個公開的數(shù)據(jù)集MovieLens-100K和MoiveLens-1M上做了大量的實驗來查看我們方法的性能，并且根據(jù)我們提出的方法和其它流行方法的MAE和RMSE結果，顯示了DPMFNeg方法表現(xiàn)的要比其它方法要好。
　　2

6、)盡管傳統(tǒng)的協(xié)同過濾算法是推薦系統(tǒng)中非常高效的推薦算法，并且上面我們提出的混合協(xié)同過濾模型，可以更好的處理評分數(shù)據(jù)中分布不均衡問題。但是由于其忽略了社會網(wǎng)絡中的信任關系，因此我們接著提出了一種用戶自適應的混合推薦模型DTMF，它可以集成基于信任的推薦方法和概率矩陣分解的方法的優(yōu)點，根據(jù)用戶的特點和數(shù)據(jù)分布情況，學習到適合每一個用戶自己的結合參數(shù)。在擁有社會關系的Epinions和Flixster數(shù)據(jù)集上，我們通過實驗探究我們提出的方法的