反饋排序學習模型在個性化推薦系統(tǒng)中的應用研究.pdf

1、近年來，在電子商務迅速發(fā)展的帶動下，個性化推薦系統(tǒng)（ Personalized Recommendation System）的研究工作獲得了人們的極大關注，隨著互聯(lián)網(wǎng)應用范圍的進一步擴大，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，不同應用領域由于各自特點也需要有專門針對該領域的推薦

2、系統(tǒng)，從這些實際應用需求出發(fā)，本文首先對面向未注冊用戶的推薦算法進行了研究。
　　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的推薦服務或推薦質量不高，為此本文提出了兩種專門針對此類用戶進行推薦的算法，它們分別是在傳統(tǒng)的基于內容（Content-based）和基于空間關聯(lián)規(guī)則（Association Rule-based）推薦的基礎上擴展改進而來，這些算法利用眾多未注冊用戶訪問時留下的零散記錄，從中提取出有用

3、信息為推薦算法提供支持。實驗結果表明，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，其應用范圍相對有限。
　　以電子商務推薦系統(tǒng)為代表的大多數(shù)推薦系統(tǒng)都是根據(jù)用戶的當前瀏覽內容和歷史訪問記錄來預測用戶的個人偏好，然而在瞬息萬變的信息時代，對于某些如新聞資訊、視頻點播等具有時效性的應用領域，相比于個人歷史偏好、PageRank等相對固定的因素而言，內容新鮮度、單位時間點擊率以及其他用戶的瀏

4、覽效果或許更為重要，因為在這些領域，用戶所感興趣的內容是會隨著社會事件的發(fā)展和時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，用戶的每一次點擊不僅會作為自己的歷史訪問記錄，同時也會將對該內容的瀏覽效果實時的反饋至推薦系統(tǒng)；而對于待推薦對象來說，其獲得的預測評分也不再是靜態(tài)的，除了常規(guī)的查詢相似度、內容長度、PageRank值、鏈入鏈出數(shù)

5、量等，它還將受到內容新鮮度、訪問量、瀏覽效果及全體用戶評價等眾多因素的影響。毫無疑問，這些因素的加入能夠更加客觀真實的反映出當前全體用戶對于目標對象的綜合評價，而這些評價又有助于對該用戶的喜好做出預測。
　　如何將反饋思想應用于各種具體的推薦模型是本文研究的另一項重要內容，排序學習（Learning toRank）是解決這一問題的重要技術，本文詳細討論了如何結合排序學習技術將有效性反饋思想應用于各種傳統(tǒng)的推薦算法，并通過實驗分別檢