基于二部圖的推薦算法研究.pdf

1、電子商務(wù)的快速發(fā)展使互聯(lián)網(wǎng)信息呈爆炸性增長(zhǎng)，持續(xù)增加的商品和服務(wù)在豐富用戶選擇的同時(shí)，不可避免的引發(fā)了信息過(guò)載（Information Load）問(wèn)題：用戶在找到自己需要的商品之前，往往需要瀏覽大量的無(wú)關(guān)信息，信息使用效率下降。在此情況下，推薦系統(tǒng)應(yīng)運(yùn)而生。20世紀(jì)90年代以來(lái)，出現(xiàn)了大量的推薦系統(tǒng)方面的研究成果，本文主要研究了推薦系統(tǒng)領(lǐng)域的一類算法——基于二部圖的推薦算法。
　　復(fù)雜網(wǎng)絡(luò)推薦算法的經(jīng)典算法是基于二部圖網(wǎng)絡(luò)結(jié)構(gòu)的推

2、薦算法，但以往研究通常不考慮用戶對(duì)項(xiàng)目的顯式評(píng)分或是直接排除低分項(xiàng)目，造成信息丟失，數(shù)據(jù)更加稀疏。針對(duì)此問(wèn)題，本文改進(jìn)了這一推薦算法，在用戶推薦能量流動(dòng)時(shí)充分考慮用戶對(duì)項(xiàng)目的顯式評(píng)分，首次提出用戶興趣相似系數(shù)和用戶評(píng)分代表能力兩個(gè)概念。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法能有效提高推薦算法的準(zhǔn)確性，使推薦服務(wù)更好地滿足用戶的偏好需求。
　　傳統(tǒng)協(xié)同過(guò)濾推薦算法存在可擴(kuò)展性差，多樣性低，多樣性與準(zhǔn)確性不平衡問(wèn)題。本文根據(jù)復(fù)雜網(wǎng)絡(luò)理論，將顯式用

3、戶行為數(shù)據(jù)與隱式用戶行為數(shù)據(jù)分別映射為有權(quán)二部圖與無(wú)權(quán)二部圖。在網(wǎng)絡(luò)局部范圍內(nèi)，首次使用選擇性隨機(jī)游走代替?zhèn)鹘y(tǒng)的Pearson相關(guān)系數(shù)、余弦相似性或修正的余弦相似性方法來(lái)計(jì)算用戶之間的相似度，通過(guò)制定游走過(guò)程中的目標(biāo)節(jié)點(diǎn)選擇策略，避免了明星用戶與多個(gè)用戶產(chǎn)生弱連接，從而有效提高了算法的多樣性。此外，選擇性隨機(jī)游走的魯棒性保證了推薦算法的可擴(kuò)展性。本文采用Movielens和Netflix顯式數(shù)據(jù)集以及TMALL隱式數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。結(jié)果表