基于網(wǎng)絡結構的推薦算法的研究.pdf

1、互聯(lián)網(wǎng)的發(fā)展，帶來了豐富的信息和服務，使人們獲取信息更加容易、便捷。但是隨著網(wǎng)絡資源的不斷增多，盡管人們都知道在海量的資源中有自己需要的信息，可是人們就是無法找到這些有價值的信息，或者找到這些有價值的信息需要付出很多的時間和精力，這就是嚴重的信息過載問題。推薦系統(tǒng)根據(jù)用戶的瀏覽、評價、點擊、購買等歷史行為獲得用戶的興趣偏好，進而向用戶推薦其可能感興趣的物品、信息和服務，可以有效的解決信息過載問題。但是推薦系統(tǒng)仍舊面臨著稀疏性問題、可擴展

2、性問題和冷啟動問題。本文通過對基于網(wǎng)絡結構的推薦算法進行分析研究，提出自己算法，解決以上問題。
　　 本文首先從推薦系統(tǒng)中存在的稀疏性問題和可擴展性問題進行展開，建立兩層圖模型。根據(jù)用戶之間的關系，建立用戶之間的網(wǎng)絡，根據(jù)物質(zhì)擴散算法計算物品之間的關系，最后根據(jù)用戶對物品的行為關系，建立用戶物品之間的關系，最后形成一個兩層圖模型。然后基于此兩層圖模型，提出了圖搜索算法Fusion，并對此圖搜索算法進行了改進，得到RUFusion

3、算法，解決了數(shù)據(jù)稀疏性問題和可擴展性問題。
　　 針對冷啟動問題，由于新用戶還沒有產(chǎn)生過任何行為，也就是沒有任何歷史交互信息，所以無法根據(jù)用戶的行為對其進行個性化推薦。為了解決上述問題，本文使用譜聚類算法只需要根據(jù)用戶之間的興趣關系矩陣W，就可以把用戶劃分成一個個的興趣社團，接著根據(jù)決策樹模型，使得新用戶可以找到自己屬于的興趣組。此時就搭建起了新用戶和老用戶的橋梁，然后本文提出KCLUSTER-RUFusion算法，進行個性化推

4、薦解決了用戶冷啟動問題。
　　 對于上述問題本文都編寫了實驗進行測試，對于數(shù)據(jù)稀疏性問題，本文提出的算法RUFusion比協(xié)同過濾技術，NBI，RWR算法有更好的推薦效果，能夠顯著提高top-N推薦的準確度，有比較高的推薦準確率和召回率。本二層圖模型具有很強的可擴展性，很容易替換其他計算網(wǎng)絡層關系的算法，本文接著更改了計算物品之間計算的方式，而不改變圖搜索算法，進而進行個性化推薦，展示了本二層模型的可擴展性。最后本文使用KCLU