推薦系統(tǒng)中冷啟動問題與評估方法研究.pdf

1、隨著互聯(lián)網(wǎng)的不斷發(fā)展以及人類知識的不斷積累，人們正處在一個信息過載的時代。傳統(tǒng)的解決信息過載的工具無法滿足人們對檢索信息的個性化需求。在這種情況下出現(xiàn)了推薦系統(tǒng)，推薦系統(tǒng)能夠分析用戶歷史行為記錄，針對每個人的歷史偏好做出個性化推薦。
　　但是現(xiàn)存推薦算法幾乎都面臨著冷啟動問題。冷啟動問題是指當一個新用戶進入系統(tǒng)時，由于系統(tǒng)內(nèi)不存在該用戶的行為記錄，無法為其進行恰當推薦的問題。解決推薦系統(tǒng)冷啟動問題的現(xiàn)有算法大多需要用戶的人口統(tǒng)計學(xué)

2、信息或者社交網(wǎng)絡(luò)信息，在這些信息缺失或不可信的情況下無法進行較精準的推薦。針對這一問題，本文提出將N臂老虎機模型與人體免疫反饋模型相結(jié)合的EGIF算法。利用該算法能夠在沒有用戶人口統(tǒng)計學(xué)信息或者社交網(wǎng)絡(luò)信息的情況下迅速找到用戶的偏好，并針對用戶的偏好為用戶進行推薦。最后，采用蒙特卡羅模擬方法將EGIF算法與Softmax算法、Annealing算法、UCB算法進行了實驗對比。結(jié)果表明EGIF算法在解決冷啟動問題方面要優(yōu)于Softmax算

3、法、Annealing算法和UCB算法。
　　目前學(xué)術(shù)界大多在用推薦算法的離線指標如準確率、召回率、覆蓋率等指標來衡量推薦算法的性能。但在工業(yè)界人們更關(guān)心的是算法的在線表現(xiàn)，如CTR指標等，而算法的CTR指標需要漫長的測試過程。針對這一問題，本文提出一種利用推薦算法離線指標預(yù)測算法在線表現(xiàn)的線性回歸算法。由于推薦算法的離線指標很容易通過計算得到，將算法的離線指標作為特征輸入到模型便能很快的預(yù)測出算法的CTR指標。實驗表明該算法能夠