基于網(wǎng)絡(luò)結(jié)構(gòu)的推薦算法的研究.pdf

1、互聯(lián)網(wǎng)的發(fā)展，帶來(lái)了豐富的信息和服務(wù)，使人們獲取信息更加容易、便捷。但是隨著網(wǎng)絡(luò)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(wú)法找到這些有價(jià)值的信息，或者找到這些有價(jià)值的信息需要付出很多的時(shí)間和精力，這就是嚴(yán)重的信息過(guò)載問(wèn)題。推薦系統(tǒng)根據(jù)用戶的瀏覽、評(píng)價(jià)、點(diǎn)擊、購(gòu)買等歷史行為獲得用戶的興趣偏好，進(jìn)而向用戶推薦其可能感興趣的物品、信息和服務(wù)，可以有效的解決信息過(guò)載問(wèn)題。但是推薦系統(tǒng)仍舊面臨著稀疏性問(wèn)題、可擴(kuò)展

2、性問(wèn)題和冷啟動(dòng)問(wèn)題。本文通過(guò)對(duì)基于網(wǎng)絡(luò)結(jié)構(gòu)的推薦算法進(jìn)行分析研究，提出自己算法，解決以上問(wèn)題。
　　 本文首先從推薦系統(tǒng)中存在的稀疏性問(wèn)題和可擴(kuò)展性問(wèn)題進(jìn)行展開，建立兩層圖模型。根據(jù)用戶之間的關(guān)系，建立用戶之間的網(wǎng)絡(luò)，根據(jù)物質(zhì)擴(kuò)散算法計(jì)算物品之間的關(guān)系，最后根據(jù)用戶對(duì)物品的行為關(guān)系，建立用戶物品之間的關(guān)系，最后形成一個(gè)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(duì)此圖搜索算法進(jìn)行了改進(jìn)，得到RUFusion

3、算法，解決了數(shù)據(jù)稀疏性問(wèn)題和可擴(kuò)展性問(wèn)題。
　　 針對(duì)冷啟動(dòng)問(wèn)題，由于新用戶還沒有產(chǎn)生過(guò)任何行為，也就是沒有任何歷史交互信息，所以無(wú)法根據(jù)用戶的行為對(duì)其進(jìn)行個(gè)性化推薦。為了解決上述問(wèn)題，本文使用譜聚類算法只需要根據(jù)用戶之間的興趣關(guān)系矩陣W，就可以把用戶劃分成一個(gè)個(gè)的興趣社團(tuán)，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(shí)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(jìn)行個(gè)性化推

4、薦解決了用戶冷啟動(dòng)問(wèn)題。
　　 對(duì)于上述問(wèn)題本文都編寫了實(shí)驗(yàn)進(jìn)行測(cè)試，對(duì)于數(shù)據(jù)稀疏性問(wèn)題，本文提出的算法RUFusion比協(xié)同過(guò)濾技術(shù)，NBI，RWR算法有更好的推薦效果，能夠顯著提高top-N推薦的準(zhǔn)確度，有比較高的推薦準(zhǔn)確率和召回率。本二層圖模型具有很強(qiáng)的可擴(kuò)展性，很容易替換其他計(jì)算網(wǎng)絡(luò)層關(guān)系的算法，本文接著更改了計(jì)算物品之間計(jì)算的方式，而不改變圖搜索算法，進(jìn)而進(jìn)行個(gè)性化推薦，展示了本二層模型的可擴(kuò)展性。最后本文使用KCLU