基于時(shí)序行為挖掘和隱私保護(hù)的協(xié)同過(guò)濾推薦算法研究.pdf

1、隨著Web2.0時(shí)代的興起，互聯(lián)網(wǎng)上的用戶和商品呈現(xiàn)了爆炸式的增長(zhǎng)態(tài)勢(shì)，互聯(lián)網(wǎng)的快速滲透帶來(lái)了海量的數(shù)據(jù)信息，而海量數(shù)據(jù)的產(chǎn)生使得用戶無(wú)法在短時(shí)間內(nèi)準(zhǔn)確及時(shí)地獲取所需的信息，信息過(guò)載現(xiàn)象愈發(fā)嚴(yán)重。在此背景下，推薦系統(tǒng)應(yīng)運(yùn)而生。推薦系統(tǒng)通過(guò)研究用戶的興趣偏好，進(jìn)行個(gè)性化的計(jì)算，由系統(tǒng)發(fā)現(xiàn)用戶的興趣點(diǎn)，進(jìn)而有選擇地進(jìn)行信息推送，引導(dǎo)用戶的信息需求。由于推薦系統(tǒng)能夠有效地解決信息過(guò)載問(wèn)題，因而其得到了廣泛的研究和應(yīng)用。然而，近幾年來(lái)，互聯(lián)網(wǎng)的

2、快速發(fā)展也給推薦系統(tǒng)帶來(lái)了一些新的挑戰(zhàn)。
　　以此為背景，本文首先介紹了信息過(guò)載現(xiàn)象，以此引出推薦系統(tǒng)的產(chǎn)生和發(fā)展過(guò)程，接著介紹了目前主流的推薦算法，此后，本文以協(xié)同過(guò)濾推薦系統(tǒng)中的時(shí)序行為信息挖掘和用戶隱私保護(hù)為研究點(diǎn)，提出了相應(yīng)的解決方案，本文的主要研究工作如下:
　　(1)提出了一種利用用戶的時(shí)序行為挖掘用戶和商品近鄰關(guān)系的方法。該方法通過(guò)構(gòu)建用戶和商品的消費(fèi)網(wǎng)絡(luò)圖，計(jì)算最近鄰集合，得出相應(yīng)的關(guān)系信息。由于時(shí)序信息相對(duì)

3、于社交關(guān)系、標(biāo)簽信息更加容易獲取，因而其適用范圍更廣泛。
　　(2)將挖掘的關(guān)系信息應(yīng)用到矩陣分解模型中，提出了基于時(shí)序行為的協(xié)同過(guò)濾推薦模型SequentialMF。該推薦模型將利用時(shí)序信息挖掘的最近鄰集合融入到概率矩陣分解算法中，從而提高推薦算法的準(zhǔn)確度。在此基礎(chǔ)上，進(jìn)一步提出了基于該模型的推薦框架，該框架能夠在線下更新模型，從而快速在線上完成推薦，使得推薦系統(tǒng)的實(shí)時(shí)性得到提高。
　　(3)提出了一種能夠?qū)崿F(xiàn)隱私保護(hù)的推

4、薦機(jī)制GroupMF。該機(jī)制收集用戶對(duì)群組的宏觀評(píng)價(jià)信息，基于此粗粒度的數(shù)據(jù)，預(yù)測(cè)用戶對(duì)具體商品的偏好，進(jìn)而為用戶推薦個(gè)性化的商品。由于并不需要用戶對(duì)具體商品的評(píng)價(jià)，因而其在一定程度上降低了隱私泄露的風(fēng)險(xiǎn)。
　　(4)通過(guò)實(shí)驗(yàn)驗(yàn)證了模型的有效性。實(shí)驗(yàn)表明，基于時(shí)序行為的推薦算法在準(zhǔn)確度上比傳統(tǒng)推薦算法有了進(jìn)一步的提升;基于隱私保護(hù)的推薦算法雖然在一定程度上造成了準(zhǔn)確度的損失，但是其仍然具有一定的推薦效果。除此之外，該方法所需要的數(shù)