實時推薦中精確性和實時性改進算法研究.pdf

1、得益于互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，網(wǎng)絡(luò)上的數(shù)據(jù)呈指數(shù)增加。人們被海量數(shù)據(jù)所包圍以至于發(fā)現(xiàn)感興趣的信息愈加困難，推薦系統(tǒng)在這種“信息過載”的情形下應(yīng)運而生。單個推薦模型具有各種局限性，研究人員通常使用一些組合方法將多個推薦模型進行融合，利用多模型的優(yōu)點來彌補單模型的不足。另外，傳統(tǒng)的推薦模型需要定期更新模型，每次推薦的依據(jù)都是上次更新前的歷史數(shù)據(jù)，難以滿足實時推薦需求，而現(xiàn)實生活中推薦系統(tǒng)面臨的問題更多是基于短時期內(nèi)的數(shù)據(jù)，這類場景中的物品一般

2、具有短時效性，因此實時推薦變得愈加重要。本文的主要工作有以下幾個方面：
　　①本文研究了推薦系統(tǒng)中常用的模型組合方法，并提出了一種混合多模型的協(xié)同過濾算法，在算法中提出了“虛擬鄰居物品”。該算法使用協(xié)同過濾的思想將多個模型進行組合，克服了傳統(tǒng)基于物品的協(xié)同過濾算法的局限，可以有效提高推薦精度。矩陣分解模型和受限玻爾茲曼機模型是效果比較好的兩個單模型，本文主要選擇這兩個模型以及它們的一些擴展版本進行組合。實驗中首先對四個單模型參數(shù)調(diào)

3、優(yōu)，然后對比四個單模型的效果，最后選擇效果最好的兩個模型通過本文所提算法進行組合，并與常用的其他模型組合方法做對比實驗。
　?、诒疚奶岢隽艘环N基于用戶行為權(quán)重的實時性改進算法，通過時間窗口對最近一段時間內(nèi)的用戶行為建模，充分利用用戶行為數(shù)據(jù)的時間維度信息為不同時刻的行為賦予不同權(quán)重，使越靠近當前時刻的行為權(quán)重越大，從而對推薦結(jié)果的影響也就越大，使推薦結(jié)果更能體現(xiàn)與用戶當前行為的關(guān)聯(lián)性。最后通過實驗驗證該算法對推薦結(jié)果實時性的改進。