基于回歸策略的推薦算法研究.pdf

1、互聯(lián)網(wǎng)提供的信息廣泛而復(fù)雜，限于普通用戶的知識(shí)儲(chǔ)備及認(rèn)知能力，極易造成用戶無(wú)法有效地獲取、理解與使用信息.推薦系統(tǒng)以海量數(shù)據(jù)挖掘技術(shù)作為基礎(chǔ)，不需要用戶提出明確的需求，通過(guò)分析用戶在網(wǎng)絡(luò)上的歷史行為，對(duì)用戶的興趣建模，主動(dòng)為用戶推薦能夠滿足他們需求的信息.通常將用戶各種形式的需求定義為商品，用評(píng)分表示用戶對(duì)商品的興趣，系統(tǒng)根據(jù)用戶評(píng)分高低決定是否向其推薦某種商品.如何通過(guò)已知的用戶歷史評(píng)分記錄預(yù)測(cè)未知的用戶評(píng)分，稱為評(píng)分預(yù)測(cè)問(wèn)題，它是推

2、薦系統(tǒng)研究的核心.
　　首先，本文對(duì)協(xié)同過(guò)濾算法、基于內(nèi)容的推薦算法、模型組合算法的提出與發(fā)展進(jìn)行詳細(xì)闡述，并對(duì)回歸算法在推薦系統(tǒng)中發(fā)揮的重要作用進(jìn)行總結(jié).其次，本文對(duì)線性回歸、k近鄰等傳統(tǒng)回歸算法及NCLUS等網(wǎng)絡(luò)回歸算法的原理和實(shí)現(xiàn)進(jìn)行了深入討論.第三，本文提出迭代加權(quán)回歸算法.該算法采用迭代分類算法的集體學(xué)習(xí)框架，每步迭代中將待預(yù)測(cè)實(shí)例逐個(gè)輸入局部回歸模型更新標(biāo)簽值，直至達(dá)到既定目標(biāo).局部回歸模型是由待預(yù)測(cè)實(shí)例的k近鄰根據(jù)加

3、權(quán)回歸算法學(xué)習(xí)而來(lái).此外，對(duì)名稱型屬性的處理方式、屬性選擇方法，借鑒了線性回歸算法的思想.第四，本文利用用戶評(píng)分?jǐn)?shù)據(jù)集發(fā)掘商品與商品之間的自相關(guān)性，將商品看作數(shù)據(jù)網(wǎng)絡(luò)中的節(jié)點(diǎn)，對(duì)節(jié)點(diǎn)之間的距離進(jìn)行重新定義，進(jìn)而將評(píng)分預(yù)測(cè)問(wèn)題轉(zhuǎn)化為網(wǎng)絡(luò)回歸問(wèn)題.最后，將迭代加權(quán)回歸算法應(yīng)用于評(píng)分預(yù)測(cè)問(wèn)題.
　　實(shí)驗(yàn)分為兩部分，第一部分實(shí)驗(yàn)在空間網(wǎng)絡(luò)數(shù)據(jù)集合和社會(huì)網(wǎng)絡(luò)數(shù)據(jù)集合上執(zhí)行，通過(guò)與傳統(tǒng)回歸算法及NCLUS算法進(jìn)行對(duì)比，驗(yàn)證了迭代加權(quán)回歸算法能