Web大數(shù)據(jù)多層級(jí)相關(guān)推薦算法研究.pdf

1、隨著網(wǎng)絡(luò)的普及和信息技術(shù)的飛速發(fā)展，Web大數(shù)據(jù)遍布生活各個(gè)領(lǐng)域，成為云計(jì)算時(shí)代，人們生活的重要組成部分。然而，Web大數(shù)據(jù)的數(shù)據(jù)規(guī)模龐大，以至于用戶無法直接從中獲取自身需要的信息。推薦系統(tǒng)作為解決Web大數(shù)據(jù)信息過載問題的有效工具之一，有著極其廣泛的應(yīng)用。相關(guān)推薦，是一個(gè)挖掘并展示用戶感興趣物品的相關(guān)物品的過程。相關(guān)推薦作為推薦系統(tǒng)最常見的應(yīng)用場(chǎng)景之一，和個(gè)性化推薦場(chǎng)景并存于各大推薦平臺(tái)之中。為了適應(yīng)更新速度較快的Web大數(shù)據(jù)集，多層

2、級(jí)相關(guān)推薦為合理處理Web大數(shù)據(jù)提供了全新的改進(jìn)思路。
　　本文以推薦系統(tǒng)中的Web大數(shù)據(jù)為研究對(duì)象，主要針對(duì)相關(guān)推薦算法進(jìn)行研究，從提高多樣性、緩解稀疏性、把握時(shí)效性、利用群體性等方面改進(jìn)傳統(tǒng)相關(guān)推薦算法，提出更適合Web大數(shù)據(jù)的多層級(jí)相關(guān)推薦算法。本文首先提出一種基于熱度融合的相關(guān)推薦算法，該算法采用熱度排序策略處理低熱度物品，采用熱度均衡策略平衡熱門物品與長(zhǎng)尾物品的權(quán)重，有效發(fā)揮長(zhǎng)尾效應(yīng)的價(jià)值。實(shí)驗(yàn)結(jié)果表明，該算法在保證推薦

3、準(zhǔn)確性的同時(shí)提高推薦結(jié)果多樣性。
　　此外，本文提出一種基于資源傳播的相關(guān)推薦算法，將資源傳播方法應(yīng)用于相關(guān)推薦，來緩解Web大數(shù)據(jù)相關(guān)推薦面臨的稀疏性問題。并以此作為離線計(jì)算過程，結(jié)合實(shí)時(shí)計(jì)算的用戶反饋信息，構(gòu)建一種基于用戶反饋的多層級(jí)推薦模型，使得相關(guān)推薦過程能夠考慮到用戶對(duì)物品的實(shí)時(shí)偏好以及對(duì)歷史推薦的態(tài)度?；邳c(diǎn)擊反饋的多層級(jí)相關(guān)推薦算法，把握了數(shù)據(jù)的時(shí)效性，使得推薦結(jié)果根據(jù)用戶反饋實(shí)時(shí)調(diào)整。實(shí)驗(yàn)結(jié)果表明，用戶對(duì)該多層級(jí)推

4、薦算法的推薦結(jié)果更加滿意。
　　最后，由于用戶群特征在一定程度上會(huì)影響用戶期望得到的相關(guān)推薦結(jié)果，因此我們根據(jù)不同特征劃分用戶群，分析不同群成員間的偏好差異。我們將群推薦技術(shù)用于相關(guān)推薦，提出適合不同特征維度Web大數(shù)據(jù)的群相關(guān)推薦方法。在此基礎(chǔ)上，提出基于邏輯回歸的多層級(jí)群相關(guān)推薦算法。該算法根據(jù)實(shí)時(shí)計(jì)算的用戶反饋信息以及不同特征用戶群的反饋信息，建立邏輯回歸模型，預(yù)測(cè)不同群特征用戶對(duì)相關(guān)推薦結(jié)果的滿意程度。從而避免重復(fù)訓(xùn)練相似