反饋排序?qū)W習(xí)模型在個(gè)性化推薦系統(tǒng)中的應(yīng)用研究.pdf

1、近年來，在電子商務(wù)迅速發(fā)展的帶動下，個(gè)性化推薦系統(tǒng)（ Personalized Recommendation System）的研究工作獲得了人們的極大關(guān)注，隨著互聯(lián)網(wǎng)應(yīng)用范圍的進(jìn)一步擴(kuò)大，推薦系統(tǒng)在其中發(fā)揮著越來越重要的作用。然而，傳統(tǒng)的推薦算法大多是面向注冊用戶或者適用范圍相對有限，而隨著互聯(lián)網(wǎng)用戶數(shù)量的急劇增加和提供的服務(wù)日益多樣化，客觀上急需能夠滿足不同用戶推薦需求的算法，此外，不同應(yīng)用領(lǐng)域由于各自特點(diǎn)也需要有專門針對該領(lǐng)域的推薦

2、系統(tǒng)，從這些實(shí)際應(yīng)用需求出發(fā)，本文首先對面向未注冊用戶的推薦算法進(jìn)行了研究。
　　在傳統(tǒng)推薦系統(tǒng)中，由于缺乏必要信息，未注冊用戶往往不能夠享受到相應(yīng)的推薦服務(wù)或推薦質(zhì)量不高，為此本文提出了兩種專門針對此類用戶進(jìn)行推薦的算法，它們分別是在傳統(tǒng)的基于內(nèi)容（Content-based）和基于空間關(guān)聯(lián)規(guī)則（Association Rule-based）推薦的基礎(chǔ)上擴(kuò)展改進(jìn)而來，這些算法利用眾多未注冊用戶訪問時(shí)留下的零散記錄，從中提取出有用

3、信息為推薦算法提供支持。實(shí)驗(yàn)結(jié)果表明，這些算法在一些特定條件下能夠取得良好的推薦效果，但由于受到未注冊用戶可利用信息不足的限制，其應(yīng)用范圍相對有限。
　　以電子商務(wù)推薦系統(tǒng)為代表的大多數(shù)推薦系統(tǒng)都是根據(jù)用戶的當(dāng)前瀏覽內(nèi)容和歷史訪問記錄來預(yù)測用戶的個(gè)人偏好，然而在瞬息萬變的信息時(shí)代，對于某些如新聞資訊、視頻點(diǎn)播等具有時(shí)效性的應(yīng)用領(lǐng)域，相比于個(gè)人歷史偏好、PageRank等相對固定的因素而言，內(nèi)容新鮮度、單位時(shí)間點(diǎn)擊率以及其他用戶的瀏

4、覽效果或許更為重要，因?yàn)樵谶@些領(lǐng)域，用戶所感興趣的內(nèi)容是會隨著社會事件的發(fā)展和時(shí)間的流逝而不斷變化的，而傳統(tǒng)的推薦系統(tǒng)由于對這些因素考慮不全而通常沒能及時(shí)的反映這些變化。
　　針對這一缺陷，本文創(chuàng)新性地提出有效性反饋思想，用戶的每一次點(diǎn)擊不僅會作為自己的歷史訪問記錄，同時(shí)也會將對該內(nèi)容的瀏覽效果實(shí)時(shí)的反饋至推薦系統(tǒng)；而對于待推薦對象來說，其獲得的預(yù)測評分也不再是靜態(tài)的，除了常規(guī)的查詢相似度、內(nèi)容長度、PageRank值、鏈入鏈出數(shù)

5、量等，它還將受到內(nèi)容新鮮度、訪問量、瀏覽效果及全體用戶評價(jià)等眾多因素的影響。毫無疑問，這些因素的加入能夠更加客觀真實(shí)的反映出當(dāng)前全體用戶對于目標(biāo)對象的綜合評價(jià)，而這些評價(jià)又有助于對該用戶的喜好做出預(yù)測。
　　如何將反饋思想應(yīng)用于各種具體的推薦模型是本文研究的另一項(xiàng)重要內(nèi)容，排序?qū)W習(xí)（Learning toRank）是解決這一問題的重要技術(shù)，本文詳細(xì)討論了如何結(jié)合排序?qū)W習(xí)技術(shù)將有效性反饋思想應(yīng)用于各種傳統(tǒng)的推薦算法，并通過實(shí)驗(yàn)分別檢