基于集成學(xué)習(xí)的個(gè)性化推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)以及電子商務(wù)的飛速發(fā)展，用戶陷入了一種信息迷失的狀態(tài)，面對(duì)海量的商品用戶往往在找到感興趣的商品之前已經(jīng)非常沮喪、煩躁，因此很可能會(huì)放棄此次購物。解決該問題的有效途徑一般認(rèn)為是個(gè)性化推薦，協(xié)同過濾技術(shù)在推薦系統(tǒng)發(fā)展初期效果非常不錯(cuò)，但隨著用戶數(shù)目和商品種類的不斷增加，打分矩陣變得越來越稀疏，傳統(tǒng)的相似度計(jì)算方法會(huì)產(chǎn)生不準(zhǔn)確的相似鄰居，從而導(dǎo)致推薦質(zhì)量下降。另一方面影響推薦質(zhì)量的因素是很多的，而當(dāng)前的個(gè)性化推薦算法不是單一算法，就

2、是幾個(gè)算法的簡單組合，這些算法普遍準(zhǔn)確性不高。
　　集成學(xué)習(xí)通過集成多個(gè)弱學(xué)習(xí)器解決同一個(gè)問題，具有很好的泛化能力和穩(wěn)定性，目前集成學(xué)習(xí)已經(jīng)廣泛應(yīng)用到了很多領(lǐng)域，在最近幾年的Netflix、Learning to Rank比賽中，頂級(jí)團(tuán)隊(duì)大多數(shù)使用的也是集成學(xué)習(xí)技術(shù)。因此若能將集成學(xué)習(xí)技術(shù)與個(gè)性化推薦相結(jié)合，必定能提高推薦系統(tǒng)的準(zhǔn)確率。在電子商務(wù)快速發(fā)展的時(shí)代，提高個(gè)性化推薦系統(tǒng)的準(zhǔn)確率是人們永遠(yuǎn)的追求目標(biāo)，針對(duì)這一目標(biāo)，本文的主

3、要研究工作是：
　　1、對(duì)協(xié)同過濾中的傳統(tǒng)相似度算法進(jìn)行了分析，根據(jù)它們存在的缺點(diǎn)，提出了一種改進(jìn)的協(xié)同過濾方法PCS算法。該算法使用決策樹自適應(yīng)調(diào)整分割屬性的特點(diǎn)，將決策樹用于用戶的分組上，因此就產(chǎn)生了一種尋找相似鄰居的新方法。用戶分組后只在組內(nèi)進(jìn)行個(gè)性化推薦，避免了計(jì)算所有用戶間的相似度，提高了算法的在線可擴(kuò)展性。另一方面，針對(duì)Pearson相似度存在的缺點(diǎn)，從流行度、用戶共同打分商品數(shù)和用戶打分差異度三方面對(duì)Pearson進(jìn)

4、行了改進(jìn)，提高了推薦算法的準(zhǔn)確性。
　　2、針對(duì)目前大多數(shù)的算法都是從某一方面考慮提高推薦的準(zhǔn)確率，而影響推薦質(zhì)量的因素是很多的，集成學(xué)習(xí)算法SoftBoost集成多個(gè)弱學(xué)習(xí)器解決同一個(gè)問題，且該算法是最大化軟間隔算法，能夠避免難分?jǐn)?shù)據(jù)的影響，有很強(qiáng)的泛化能力，因此本文將其和個(gè)性化推薦相結(jié)合，使用SoftBoost算法作為框架的同時(shí)，本文使用RankBoost中基于對(duì)的思想重新定義了間隔和邊界，提出了SoftRankBoost算法