基于時(shí)間動(dòng)態(tài)影響的協(xié)同過(guò)濾推薦系統(tǒng)相關(guān)研究.pdf

1、互聯(lián)網(wǎng)蓬勃發(fā)展，已經(jīng)進(jìn)入了人們生活的方方面面，給人們生活帶來(lái)便捷的同時(shí)，產(chǎn)生了大量的數(shù)據(jù)。面對(duì)海量的信息，用戶很難檢索出自己感興趣的信息，導(dǎo)致了“信息過(guò)載”現(xiàn)象。為了解決這類問(wèn)題，推薦系統(tǒng)應(yīng)運(yùn)而生，其通過(guò)分析用戶提供的信息及其行為，建立用戶的興趣模式，匹配用戶偏好，主動(dòng)向用戶推薦其感興趣的信息，幫助用戶發(fā)現(xiàn)其潛在的感興趣信息，提升用戶對(duì)系統(tǒng)的忠誠(chéng)度，推動(dòng)了信息的交互。在推薦系統(tǒng)中推薦算法是核心，其中協(xié)同過(guò)濾技術(shù)是應(yīng)用最廣泛，最成熟的技術(shù)

2、。協(xié)同過(guò)濾技術(shù)不需要用戶檔案，不需要領(lǐng)域相關(guān)的知識(shí)，它基于用戶的歷史行為和歷史數(shù)據(jù)，推理出用戶隱藏的行為模式和興趣偏好，然后進(jìn)行相關(guān)的推薦。由于協(xié)同過(guò)濾技術(shù)具有較好的推薦效果和較好的擴(kuò)展性，已應(yīng)用于多個(gè)大型商務(wù)網(wǎng)站。本文對(duì)協(xié)同過(guò)濾技術(shù)進(jìn)行深入的研究，提出了一個(gè)多模型的整合模型，對(duì)推薦精度有較大的提升。
　　本文分析了協(xié)同過(guò)濾兩大主流模型，即隱因子模型和鄰居模型。隱因子模型主要討論奇異值分解(SVD)技術(shù)，鄰居模型主要討論基于項(xiàng)目和

3、基于用戶的模型。分析隱因子模型和鄰居模型各自的優(yōu)劣，對(duì)協(xié)同過(guò)濾技術(shù)中存在的問(wèn)題，如可解釋性，擴(kuò)展性，新用戶等問(wèn)題進(jìn)行分析研究。針對(duì)SVD模型精度較高但是缺乏可解釋性的問(wèn)題，引入了不對(duì)稱的SVD模型。通過(guò)考慮用戶和項(xiàng)目偏差來(lái)修改皮爾遜相關(guān)相似性度量規(guī)則，以鄰居關(guān)系來(lái)剪枝不相關(guān)的項(xiàng)目間聯(lián)系，從而形成了剪枝的全局鄰居模型，降低了時(shí)間空間復(fù)雜度，解決了全局優(yōu)化鄰居模型的擴(kuò)展性問(wèn)題。但由于剪枝會(huì)影響精度，因此為了在降低時(shí)間和空間復(fù)雜度的同時(shí)不影響

4、精度，提出因子化項(xiàng)目關(guān)系的全局優(yōu)化鄰居模型，該模型類似于不對(duì)稱SVD模型，但卻有不同的意義。該模型既能整合因子化用戶關(guān)系，又能在保持精度的同時(shí)降低時(shí)間和空間復(fù)雜度，還改善了可解釋性，擴(kuò)展性和新用戶等問(wèn)題。本文還分析了三個(gè)影響推薦技術(shù)精度的其它因素，即隱式反饋、時(shí)間動(dòng)態(tài)影響因子和置信水平，分別總結(jié)了其在各個(gè)模型上的表現(xiàn)形式，并得到隱式反饋和時(shí)間動(dòng)態(tài)影響因子對(duì)推薦效果的提升遠(yuǎn)大于其他因素對(duì)模型的改進(jìn)的結(jié)論。最后綜合前文的總結(jié)、研究分析及一些

5、改進(jìn)工作，提出了一個(gè)整合了基線估計(jì)、剪枝的全局鄰居模型、SVD++和因子化用戶關(guān)系的全局鄰居模型，以及添加了時(shí)間動(dòng)態(tài)影響的新的綜合模型。
　　本文在Netflix數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，根據(jù)均方誤差根（RMSE）測(cè)量推薦效果。分別比較各個(gè)鄰居模型的精度和各個(gè)SVD模型的精度;比較了不同因子化鄰居模型對(duì)運(yùn)行時(shí)間的改善;比較了帶有時(shí)間動(dòng)態(tài)影響因子模型和不帶時(shí)間動(dòng)態(tài)因子模型的精度。由Netflix數(shù)據(jù)集上的實(shí)驗(yàn)驗(yàn)證了以下結(jié)論:因子化用戶間或項(xiàng)