基于隱語義模型的個性化推薦算法的研究.pdf

1、推薦系統(tǒng)是解決信息過載的有效工具，它能根據(jù)用戶的歷史行為數(shù)據(jù)做出個性化推薦。隱語義算法作為一種經(jīng)典的推薦算法在研究和應(yīng)用中都取得了很大成功，但它依然存在一些問題值得探討和研究。首先是算法在數(shù)據(jù)稀疏的情況下推薦準(zhǔn)確性較低，無法解決算法冷啟動的問題。其次是隱語義模型推薦算法的可擴展性較差。算法參數(shù)需要進(jìn)行全量更新，計算量大，更新時間長。
　　為了解決隱語義模型推薦算法在數(shù)據(jù)稀疏情況下推薦準(zhǔn)確性較低的問題，本文提出一種融合用戶屬性信息的

2、隱語義模型，該模型將用戶的屬性信息融入傳統(tǒng)的隱語義模型中，即使在數(shù)據(jù)稀疏的情況下依然能夠根據(jù)用戶的屬性信息進(jìn)行推薦。針對隱語義模型的擴展性較差的問題，將改進(jìn)后的隱語義算法進(jìn)行并行處理，提高算法的可擴展性。本文主要研究內(nèi)容如下:
　　1、分析主流的推薦算法的優(yōu)缺點，包括基于內(nèi)容的推薦算法、協(xié)同過濾的推薦算法、基于網(wǎng)絡(luò)的推薦算法和模型混合的推薦算法。針對傳統(tǒng)隱語義模型算法在數(shù)據(jù)稀疏情況下推薦效果不佳的問題，提出了融入用戶屬性信息的隱語

3、義模型推薦算法，在用戶歷史行為數(shù)據(jù)不足的情況下可以利用用戶的基本屬性信息來進(jìn)行推薦。通過邏輯回歸分類算法來度量屬性的重要性，根據(jù)用戶的屬性信息找出鄰域用戶，讓鄰域用戶參與推薦。實驗結(jié)果表明，該算法在一定程度上能解決數(shù)據(jù)稀疏帶來的問題。
　　2、為了解決傳統(tǒng)隱語義模型推薦算法的可擴展性較差的問題，本文設(shè)計并實現(xiàn)了一種基于Hadoop平臺的并行隱語義算法。算法將模型的訓(xùn)練、基于屬性預(yù)測評分以及產(chǎn)生推薦結(jié)果的過程分解為一系列的Map-R