基于動(dòng)態(tài)集成方法的混合推薦系統(tǒng)研究.pdf

1、隨著互聯(lián)網(wǎng)的迅猛發(fā)展，尤其是社會(huì)網(wǎng)絡(luò)流行和被人們普遍使用，信息已經(jīng)出現(xiàn)爆炸式的增長(zhǎng)。網(wǎng)絡(luò)中存在的海量信息，為用戶提供了非常多的選擇，但是這么多的選擇，卻讓用戶更加的無(wú)所適從。雖然這些信息存在著巨大的作用和商業(yè)價(jià)值，如何為用戶提供更好的服務(wù)，產(chǎn)生更大的價(jià)值，成為了研究者當(dāng)前研究的熱點(diǎn)。隨著互聯(lián)網(wǎng)的進(jìn)步和研究人員的努力，推薦系統(tǒng)技術(shù)成為了緩解信息過(guò)載問(wèn)題的一種非常有效的方法。它可以從海量的信息中，挖掘出有用的信息，為用戶提供更好的服務(wù)，例如

2、得分的預(yù)測(cè)，項(xiàng)目列表的推薦等。
　　在現(xiàn)實(shí)的推薦系統(tǒng)中，協(xié)同過(guò)濾技術(shù)是最流行和被廣泛應(yīng)用的推薦算法。它分為兩種類型的方法，集基于記憶的方法和基于模型的算法。在現(xiàn)實(shí)的網(wǎng)絡(luò)中，像電影評(píng)分，都可以采用上面的兩種類型的方法進(jìn)行預(yù)測(cè)。但是真實(shí)的電影評(píng)分?jǐn)?shù)據(jù)，每一個(gè)用戶擁有的數(shù)量和評(píng)分的偏好都是不一樣的，這就導(dǎo)致協(xié)同過(guò)濾中，兩種類型的方法對(duì)于每一個(gè)用戶的預(yù)測(cè)準(zhǔn)確度是不相同的。這兩種類型的方法事實(shí)上針對(duì)評(píng)分的數(shù)據(jù)的地方是不一樣的，其中基于記憶的

3、協(xié)同過(guò)濾方法更適合發(fā)現(xiàn)相似的用戶，如果用戶的數(shù)據(jù)比較少，則表現(xiàn)比較不穩(wěn)定，而基于模型的方法主要種全局優(yōu)化，而忽略了評(píng)分?jǐn)?shù)據(jù)比較多的用戶的特點(diǎn)。并且隨著社會(huì)網(wǎng)絡(luò)的發(fā)展，信任關(guān)系在服務(wù)中起著越來(lái)越重要的作用，不可被忽略。因而基于信任的推薦方法被提出，并證明即使用戶擁有比較少的信任關(guān)系，也可以通過(guò)社會(huì)網(wǎng)絡(luò)中的信任關(guān)系提供更準(zhǔn)確的推薦。但是當(dāng)一個(gè)用戶擁有比較少的朋友時(shí)，基于信任的推薦方法表現(xiàn)比較差。在社會(huì)網(wǎng)絡(luò)中，對(duì)于每一個(gè)用戶來(lái)說(shuō)，由于信任關(guān)系

4、和評(píng)分?jǐn)?shù)據(jù)分布不均衡，傳統(tǒng)的協(xié)同過(guò)濾推薦算法和基于信任的社會(huì)推薦在推薦時(shí)在對(duì)每一個(gè)用戶進(jìn)行預(yù)測(cè)時(shí)，都有不同的表現(xiàn)。例如在一個(gè)用戶有非常多的評(píng)分情況下，即使擁有的信任關(guān)系比較少，使用協(xié)同過(guò)濾算法要比基于信任的推薦方法此時(shí)預(yù)測(cè)的效果要好。與之相反，在用戶在擁有大量的信任關(guān)系，即使缺少評(píng)分?jǐn)?shù)據(jù)的情況下，基于信任的推薦方法表現(xiàn)的要比協(xié)同過(guò)濾的方法好。
　　在本論文中，我們針對(duì)上面提出的問(wèn)題，主要做了下面的探索和研究:
　　1)針對(duì)評(píng)

5、分?jǐn)?shù)據(jù)分布不均衡問(wèn)題，將基于記憶中的最近鄰方法和基于模型中的概率矩陣分解的方法集成，提出了一種混合推薦模型DPMFNeg，它根據(jù)用戶在評(píng)分?jǐn)?shù)據(jù)集上的分布特點(diǎn)，結(jié)合基于記憶的推薦方法和基于模型的算法的優(yōu)點(diǎn)。我們?cè)趦蓚€(gè)公開的數(shù)據(jù)集MovieLens-100K和MoiveLens-1M上做了大量的實(shí)驗(yàn)來(lái)查看我們方法的性能，并且根據(jù)我們提出的方法和其它流行方法的MAE和RMSE結(jié)果，顯示了DPMFNeg方法表現(xiàn)的要比其它方法要好。
　　2

6、)盡管傳統(tǒng)的協(xié)同過(guò)濾算法是推薦系統(tǒng)中非常高效的推薦算法，并且上面我們提出的混合協(xié)同過(guò)濾模型，可以更好的處理評(píng)分?jǐn)?shù)據(jù)中分布不均衡問(wèn)題。但是由于其忽略了社會(huì)網(wǎng)絡(luò)中的信任關(guān)系，因此我們接著提出了一種用戶自適應(yīng)的混合推薦模型DTMF，它可以集成基于信任的推薦方法和概率矩陣分解的方法的優(yōu)點(diǎn)，根據(jù)用戶的特點(diǎn)和數(shù)據(jù)分布情況，學(xué)習(xí)到適合每一個(gè)用戶自己的結(jié)合參數(shù)。在擁有社會(huì)關(guān)系的Epinions和Flixster數(shù)據(jù)集上，我們通過(guò)實(shí)驗(yàn)探究我們提出的方法的