推薦系統(tǒng)相關(guān)技術(shù)的研究與應(yīng)用.pdf

1、隨著4G時(shí)代的到來，推薦系統(tǒng)作為大數(shù)據(jù)時(shí)代的產(chǎn)物在電子商務(wù)、信息檢索以及移動(dòng)應(yīng)用、社交網(wǎng)絡(luò)等眾多領(lǐng)域都取得了不錯(cuò)的發(fā)展。伴隨著這些應(yīng)用的發(fā)展用戶和產(chǎn)品數(shù)目不斷增長(zhǎng)，數(shù)以億計(jì)的資源信息被產(chǎn)生，數(shù)據(jù)的規(guī)模不斷壯大，致使推薦系統(tǒng)面臨著前所未有的挑戰(zhàn)。主要包括數(shù)據(jù)稀疏、可擴(kuò)展性和冷啟動(dòng)等問題，這些問題儼然已成為了影響推薦質(zhì)量的主要因素，研究者們?cè)趯W(xué)習(xí)過程中提出了多種方法來克服這些問題。但是針對(duì)形態(tài)各異的問題不同的推薦算法存在各自的優(yōu)劣點(diǎn)。為此本

2、文綜合分析了國(guó)內(nèi)外的研究現(xiàn)狀，針對(duì)推薦系統(tǒng)中的數(shù)據(jù)稀疏、冷啟動(dòng)、用戶特征隨時(shí)間動(dòng)態(tài)變化及不同用戶對(duì)同一特征依賴程度不同等問題，分別從改進(jìn)算法及構(gòu)造新的數(shù)學(xué)模型等方面對(duì)推薦系統(tǒng)開展了細(xì)致地研究，主要工作成果如下：
　　1.提出結(jié)合用戶特征分類和動(dòng)態(tài)時(shí)間的協(xié)同過濾推薦。本文主要通過加入用戶特征信息及特征動(dòng)態(tài)變化因子來改善協(xié)同過濾推薦存在的不足，首先構(gòu)建特征分類樹、并根據(jù)用戶間相同特征數(shù)目引入一種自適應(yīng)的權(quán)重模型改進(jìn)了計(jì)算特征相似度的方

3、法。同時(shí)還分析了用戶特征動(dòng)態(tài)變化這一因素對(duì)推薦結(jié)果的影響，通過引入一個(gè)包含時(shí)間跨度的衰減函數(shù)來改善用戶特征動(dòng)態(tài)變化問題對(duì)推薦精度的限制。最后針對(duì)冷啟動(dòng)問題利用sigmoid函數(shù)將上述基于用戶特征模型與傳統(tǒng)協(xié)同過濾推薦模型相融合，通過平滑地過渡來靈活地計(jì)算用戶間相似度。為了突出本文算法的有效性，從推薦結(jié)果的準(zhǔn)確率、精度及召回率等方面進(jìn)行了驗(yàn)證。實(shí)驗(yàn)結(jié)果表征結(jié)合用戶特征分類和動(dòng)態(tài)時(shí)間的協(xié)同過濾推薦不但能夠提升推薦精度、準(zhǔn)確率和召回率，同時(shí)對(duì)

4、推薦系統(tǒng)面臨的冷啟動(dòng)問題也起到了一定的緩解作用。
　　2.提出基于降噪自編碼的推薦算法。自編碼神經(jīng)網(wǎng)絡(luò)隸屬于模型的方法，它能夠提取數(shù)據(jù)從低層到高層的特征，發(fā)現(xiàn)隱藏在樣本間潛在的相關(guān)性，為了提高推薦系統(tǒng)的推薦質(zhì)量將該模型應(yīng)用于推薦系統(tǒng)。針對(duì)原始數(shù)據(jù)之間的冗余度問題，本文采用ZCA白化技術(shù)對(duì)原始數(shù)據(jù)進(jìn)行轉(zhuǎn)化、去相關(guān)。同時(shí)為了增強(qiáng)自編碼神經(jīng)網(wǎng)絡(luò)的魯棒性，本文還對(duì)自編碼模型進(jìn)行了改進(jìn)，提出了基于降噪自編碼的推薦算法，主要是在利用自編碼模型