基于圖的個性化推薦研究.pdf

1、在Internet的迅速發(fā)展和普及的背景下，互聯(lián)網(wǎng)為人們提供了海量的信息，而且這些信息仍在爆炸式增長中。海量的信息為人們提供更多選擇的同時，也帶來諸多問題。人們尋找信息越來越困難，往往需要瀏覽了大量網(wǎng)頁才能找到。動態(tài)的個性化推薦系統(tǒng)的研究為這個問題帶來一種可行的解決方案，互聯(lián)網(wǎng)也從“搜索引擎”迎來“推薦引擎”的時代。打開網(wǎng)頁即可“所想即所得”，有時甚至會為用戶做到未雨綢繆。另一方面，網(wǎng)站的建設更加富有成效，為不同的用戶展示個性化的內(nèi)容。

2、此外，商家通過個性化推薦系統(tǒng)定位市場人群，實現(xiàn)廣告的精準投放和個性化營銷，這樣獲得了最大效益的同時，也避免了用戶對盲目推薦的反感。
　　個性化推薦的研究已經(jīng)成為了各個交叉學科關(guān)注的熱門領(lǐng)域?；趫D的推薦將用戶-物品關(guān)系看作是二元的二分網(wǎng)絡結(jié)構(gòu)形式，受到越來越多的關(guān)注。這種圖的推薦方法通過動力學擴散的思想實現(xiàn)信息的過濾，對于個性化推薦系統(tǒng)的兩個難題—冷啟動問題和長尾挖掘問題提供了一種可行的解決思路，在一些廣告投放，婚戀網(wǎng)站等實際應用

3、場景中都采用了基于圖的個性化推薦解決方案。此外，各種旨在解決“圖計算”的并行架構(gòu)紛紛推出，這為基于圖的推薦算法進一步應用于實際場景中提供了幫助。在本文中，針對以往算法的不足，提出了基于圖推薦的雙向擴散思路，完成了算法原理及算法實現(xiàn)，再到實驗證明。一般來說，用戶的興趣受到兩方面的影響，一方面是用戶本身的愛好，體現(xiàn)在用戶的歷史交易數(shù)據(jù)上，試圖為其推薦相似的物品。另一方面是會受到周邊朋友興趣的影響，體現(xiàn)在擁有相同興趣的朋友圈，可能其感興趣的物

4、品往往會最先在朋友圈中流行。因此新算法利用著名的隨機游走方法，在之前提出的“熱傳導算法”基礎(chǔ)上，增加了反饋傳播來強化推薦的精準度。在兩個著名的實驗數(shù)據(jù)集上，本算法在推薦系統(tǒng)的幾個指標及長尾挖掘方面，表現(xiàn)出了不錯的性能，較以往的過濾算法有了較大程度的改善，在讓人頭疼的推薦冷啟動問題上，基于圖的推薦算法更容易將新的用戶節(jié)點或商品節(jié)點擴散到盡可能多的地方，本文提出的算法在這點上具有明顯的優(yōu)勢。此外，算法的思想很容易推廣到其它的算法模型，如在雙