推薦算法與推薦網(wǎng)絡(luò)研究.pdf

1、信息推薦技術(shù)，作為解決信息過載問題的技術(shù)手段之一，在理論和應用層面都具有重大的意義和價值。從理論上講，信息推薦問題是信息挖掘和信息過濾這一重大科學問題的重要組成部分；從應用上講，信息推薦技術(shù)已經(jīng)成為眾多電子商務(wù)網(wǎng)站的核心技術(shù)，并創(chuàng)造了巨大的經(jīng)濟價值。信息推薦是一個典型的交叉研究領(lǐng)域。本文針對推薦系統(tǒng)的多樣性問題、稀疏性問題和推薦網(wǎng)絡(luò)的結(jié)構(gòu)分析等問題開展研究，綜合利用計算機科學、統(tǒng)計物理學和社會學等多學科的理論和方法，提出了一些有效的解決

2、方案，具體如下：
　　1)提出一種基于多維度分析的推薦算法。該方法將高維商品空間投影到低維商品空間，滿足商品在低維空間的距離近似于商品在高維空間的距離。算法的擴展性好于SVD和矩陣分解算法等降維方法，去除了數(shù)據(jù)中的噪音，從而能夠更加高效、準確地計算商品間的相似度。實驗結(jié)果表明，在基于產(chǎn)品的協(xié)同過濾框架下，算法的準確性和多樣性比傳統(tǒng)推薦算法分別提高了27.9％和27.4%。
　　2)提出一種基于局部隨機游走的推薦算法。該方法在

3、傳統(tǒng)隨機游走算法的基礎(chǔ)上，僅考慮有限次數(shù)的游走過程，準確率和效率明顯高于傳統(tǒng)的隨機游走算法，商品覆蓋率明顯大于傳統(tǒng)的推薦算法，顯著改善不活躍用戶的推薦質(zhì)量。實驗結(jié)果表明，在稀疏的數(shù)據(jù)中，算法準確性比傳統(tǒng)推薦算法提高了10%；針對不活躍用戶，算法準確性比傳統(tǒng)推薦算法提高了21.9%。
　　3)提出一種基于社交網(wǎng)絡(luò)的隨機游走推薦算法。該方法在用戶-商品二部分網(wǎng)絡(luò)中，引入用戶-社團二部分網(wǎng)絡(luò)，基于兩個網(wǎng)絡(luò)上的隨機游走模型，增加了網(wǎng)絡(luò)節(jié)點

4、間的可達概率，大幅度地提高了不活躍用戶的推薦質(zhì)量，從而弱化了數(shù)據(jù)稀疏性問題和冷啟動問題。實驗結(jié)果表明，當向不活躍用戶和新用戶推薦商品時，算法的準確性比傳統(tǒng)的推薦算法提高了44.5%。
　　4)提出一種基于信息核的推薦算法。該方法根據(jù)用戶最近鄰出現(xiàn)的次數(shù)和位置，設(shè)計了一種快速有效的信息核提取算法，并分析了信息核的結(jié)構(gòu)特征和核心用戶的分布情況。算法的優(yōu)點在于去除了推薦系統(tǒng)中的不相關(guān)用戶，從而提高了算法的效率和健壯性。實驗結(jié)果表明，在信

5、息核為原始數(shù)據(jù)總量20%的情況下，算法的準確性能夠達到使用所有數(shù)據(jù)準確性的90%以上。
　　5)提出了基于社交關(guān)系的矩陣分解算法。該方法利用正則化和因子分解方法，在一個模型中同時考慮用戶-商品矩陣、用戶-社團矩陣和用戶-朋友矩陣。實驗結(jié)果表明，正則化方法更適用于用戶-朋友這樣的單模數(shù)據(jù)，因子分解算法更適用于用戶-商品、用戶-社團等雙模數(shù)據(jù)。多數(shù)據(jù)源的交叉學習，可以明顯改善算法在稀疏數(shù)據(jù)中的準確性，在商品推薦、社團推薦和朋友推薦中，