基于關(guān)系和內(nèi)容的推薦算法研究.pdf

1、互聯(lián)網(wǎng)的內(nèi)容已經(jīng)進(jìn)入富信息時(shí)代，網(wǎng)絡(luò)上的數(shù)據(jù)、知識(shí)、商品、好友關(guān)系、甚至是微博或者帶有用戶信息的移動(dòng)智能手機(jī)都囊括了大量的可用信息，而對(duì)于用戶個(gè)體來說，卻很難在海量的信息中找到對(duì)自己有價(jià)值的。
　　在這樣的大背景下，推薦系統(tǒng)應(yīng)運(yùn)而生，其目的就是從海量的數(shù)據(jù)中利用已有的選擇打分等過程或者相似性關(guān)系挖掘出個(gè)性化的對(duì)用戶有價(jià)值的信息，其本質(zhì)是信息過濾。
　　在日常生產(chǎn)生活中，也常常有推薦系統(tǒng)伴隨在身邊，比如電商網(wǎng)站上面的產(chǎn)品推薦，

2、或者微博上面的好友推薦等等。但這些推薦系統(tǒng)在工程上對(duì)時(shí)間以及復(fù)雜度進(jìn)行了妥協(xié)，所以可以看到推薦的結(jié)果有時(shí)候并不盡如人意，對(duì)用戶來說僅僅是一個(gè)參考。在推薦系統(tǒng)研究領(lǐng)域，原始的信息可以分為用戶對(duì)產(chǎn)品的評(píng)價(jià)信息、產(chǎn)品本身的內(nèi)容信息、用戶本身的標(biāo)簽信息等等。用戶本身的標(biāo)簽信息往往很難得到，所以一般的推薦系統(tǒng)算法會(huì)用到前面提到的兩類原始信息。諸如經(jīng)典的協(xié)同過濾算法，用到的就是用戶對(duì)產(chǎn)品的評(píng)價(jià)信息，在深入研究中，發(fā)現(xiàn)協(xié)同過濾基于相同口味的用戶會(huì)喜歡

3、同一類商品這一假設(shè)，看上去似乎很有道理，但推薦系統(tǒng)有一個(gè)目的就是個(gè)性化，該假設(shè)只會(huì)推薦熱門的商品，而冷門的優(yōu)質(zhì)商品將越來越得不到推薦，所以以上的假設(shè)大部分時(shí)間是適用的，但不能解決所有的問題。而在另一些推薦算法中，有使用產(chǎn)品本身內(nèi)容信息的，其思想是用戶對(duì)某一類產(chǎn)品感興趣，那用戶對(duì)這一類中其他商品也會(huì)感興趣，同樣，思想是正確的，但在解決所有的問題上并不能完全適用。
　　針對(duì)這些問題，本文想到了聯(lián)合已有的原始信息，組合起來并以一個(gè)數(shù)據(jù)模

4、型來表示，再在模型上使用推薦系統(tǒng)算法，從而能夠聯(lián)合現(xiàn)有的經(jīng)典假設(shè)，完成各種情況下的推薦。本文共實(shí)驗(yàn)了兩個(gè)推薦算法，分別是重啟隨機(jī)游走算法和邏輯回歸算法，通過算法自然選擇用戶的各種喜好情況，從而完成推薦。本文使用了CiteULike網(wǎng)站上的數(shù)據(jù)集，其網(wǎng)站是一個(gè)論文查詢引用網(wǎng)站，并保存有用戶的引用論文，從而很好的匹配了本文需要的實(shí)驗(yàn)數(shù)據(jù)。
　　在推薦結(jié)果評(píng)估算法上，本文使用了Top N的Precision、Recall，以及整體的MA