基于時序行為挖掘和隱私保護的協(xié)同過濾推薦算法研究.pdf

1、隨著Web2.0時代的興起，互聯(lián)網(wǎng)上的用戶和商品呈現(xiàn)了爆炸式的增長態(tài)勢，互聯(lián)網(wǎng)的快速滲透帶來了海量的數(shù)據(jù)信息，而海量數(shù)據(jù)的產(chǎn)生使得用戶無法在短時間內準確及時地獲取所需的信息，信息過載現(xiàn)象愈發(fā)嚴重。在此背景下，推薦系統(tǒng)應運而生。推薦系統(tǒng)通過研究用戶的興趣偏好，進行個性化的計算，由系統(tǒng)發(fā)現(xiàn)用戶的興趣點，進而有選擇地進行信息推送，引導用戶的信息需求。由于推薦系統(tǒng)能夠有效地解決信息過載問題，因而其得到了廣泛的研究和應用。然而，近幾年來，互聯(lián)網(wǎng)的

2、快速發(fā)展也給推薦系統(tǒng)帶來了一些新的挑戰(zhàn)。
　　以此為背景，本文首先介紹了信息過載現(xiàn)象，以此引出推薦系統(tǒng)的產(chǎn)生和發(fā)展過程，接著介紹了目前主流的推薦算法，此后，本文以協(xié)同過濾推薦系統(tǒng)中的時序行為信息挖掘和用戶隱私保護為研究點，提出了相應的解決方案，本文的主要研究工作如下:
　　(1)提出了一種利用用戶的時序行為挖掘用戶和商品近鄰關系的方法。該方法通過構建用戶和商品的消費網(wǎng)絡圖，計算最近鄰集合，得出相應的關系信息。由于時序信息相對

3、于社交關系、標簽信息更加容易獲取，因而其適用范圍更廣泛。
　　(2)將挖掘的關系信息應用到矩陣分解模型中，提出了基于時序行為的協(xié)同過濾推薦模型SequentialMF。該推薦模型將利用時序信息挖掘的最近鄰集合融入到概率矩陣分解算法中，從而提高推薦算法的準確度。在此基礎上，進一步提出了基于該模型的推薦框架，該框架能夠在線下更新模型，從而快速在線上完成推薦，使得推薦系統(tǒng)的實時性得到提高。
　　(3)提出了一種能夠實現(xiàn)隱私保護的推

4、薦機制GroupMF。該機制收集用戶對群組的宏觀評價信息，基于此粗粒度的數(shù)據(jù)，預測用戶對具體商品的偏好，進而為用戶推薦個性化的商品。由于并不需要用戶對具體商品的評價，因而其在一定程度上降低了隱私泄露的風險。
　　(4)通過實驗驗證了模型的有效性。實驗表明，基于時序行為的推薦算法在準確度上比傳統(tǒng)推薦算法有了進一步的提升;基于隱私保護的推薦算法雖然在一定程度上造成了準確度的損失，但是其仍然具有一定的推薦效果。除此之外，該方法所需要的數(shù)