類博弈個性化推薦算法的設(shè)計與研究.pdf

1、在早期的互聯(lián)網(wǎng)時代，分類索引可以有效地幫助用戶找到需要的信息。隨著互聯(lián)網(wǎng)數(shù)據(jù)的不斷增加，分類索引難以囊括所有數(shù)據(jù)，搜索引擎的出現(xiàn)解決了這一瓶頸。在互聯(lián)網(wǎng)數(shù)據(jù)爆發(fā)的今天，各個領(lǐng)域的數(shù)據(jù)逐步過載，受限于關(guān)鍵詞的搜索引擎也難以應(yīng)對用戶日益增長的個性化需求，諸如“最好聽”一類難以被量化的關(guān)鍵詞，往往得到近乎廣告的搜索結(jié)果。在這樣的背景下，推薦系統(tǒng)得到了廣泛的研究和使用。
　　推薦算法是推薦系統(tǒng)的靈魂，常規(guī)的推薦算法從實時性的角度可以分為在

2、線推薦和離線推薦。離線推薦是在線推薦的數(shù)據(jù)基礎(chǔ)，在線推薦是離線推薦的進一步應(yīng)用。離線推薦從提取用戶和物品特征的角度入手，可以有效提升推薦準確率，離線數(shù)據(jù)比較穩(wěn)定，易于建模和評估。但離線計算一般需要較長的運行時間，這段空閑期如果置之不理，會出現(xiàn)“興趣漂移”問題，這時就需要在線計算來進行彌補。在線計算可以在離線計算的基礎(chǔ)上調(diào)節(jié)推薦結(jié)果，有效緩解“興趣漂移”問題，維持離線計算的推薦準確率。本論文從離線推薦和在線推薦兩個方面進行了研究，主要包括

3、：
　　1）對傳統(tǒng)基于物品協(xié)同過濾算法進行分布式改進，通過對分布式計算框架 Dpark的性能驗證實驗和分布式內(nèi)存數(shù)據(jù)庫 BeansDB的特點分析，提出了基于 Dpark的數(shù)據(jù)關(guān)系提取方案和基于BeansDB的矩陣存儲方案。
　　2）在離線計算上，提出了加強“個性化特征”的引入用戶追新度和物品流行度（由于實驗采用的是公開音樂數(shù)據(jù)集，在本論文中主要討論“音樂流行度”，正文將直接采用“音樂流行度”這一說法）的離線推薦算法。分別對用

4、戶追新度和物品流行度的定義和依據(jù)進行了說明，并基于兩個度量提出了改進的推薦模型，詳細解讀了模型的原理，并在實現(xiàn)算法之后，與基于物品協(xié)同過濾算法進行了詳細的性能對比分析。
　　3）在在線計算上，具體描述了離線計算中存在的“興趣漂移”現(xiàn)象和常規(guī)的緩解方法，然后提出了引入“類博弈思想”的在線推薦算法，通過結(jié)合離線推薦算法的推薦結(jié)果，在系統(tǒng)和用戶的交互過程中，進行在線推薦，有效緩解了離線推薦中存在的“興趣漂移”問題，提升了推薦算法的實時性