推薦算法與推薦網(wǎng)絡(luò)研究.pdf

1、信息推薦技術(shù)，作為解決信息過(guò)載問(wèn)題的技術(shù)手段之一，在理論和應(yīng)用層面都具有重大的意義和價(jià)值。從理論上講，信息推薦問(wèn)題是信息挖掘和信息過(guò)濾這一重大科學(xué)問(wèn)題的重要組成部分；從應(yīng)用上講，信息推薦技術(shù)已經(jīng)成為眾多電子商務(wù)網(wǎng)站的核心技術(shù)，并創(chuàng)造了巨大的經(jīng)濟(jì)價(jià)值。信息推薦是一個(gè)典型的交叉研究領(lǐng)域。本文針對(duì)推薦系統(tǒng)的多樣性問(wèn)題、稀疏性問(wèn)題和推薦網(wǎng)絡(luò)的結(jié)構(gòu)分析等問(wèn)題開(kāi)展研究，綜合利用計(jì)算機(jī)科學(xué)、統(tǒng)計(jì)物理學(xué)和社會(huì)學(xué)等多學(xué)科的理論和方法，提出了一些有效的解決

2、方案，具體如下：
　　1)提出一種基于多維度分析的推薦算法。該方法將高維商品空間投影到低維商品空間，滿足商品在低維空間的距離近似于商品在高維空間的距離。算法的擴(kuò)展性好于SVD和矩陣分解算法等降維方法，去除了數(shù)據(jù)中的噪音，從而能夠更加高效、準(zhǔn)確地計(jì)算商品間的相似度。實(shí)驗(yàn)結(jié)果表明，在基于產(chǎn)品的協(xié)同過(guò)濾框架下，算法的準(zhǔn)確性和多樣性比傳統(tǒng)推薦算法分別提高了27.9％和27.4%。
　　2)提出一種基于局部隨機(jī)游走的推薦算法。該方法在

3、傳統(tǒng)隨機(jī)游走算法的基礎(chǔ)上，僅考慮有限次數(shù)的游走過(guò)程，準(zhǔn)確率和效率明顯高于傳統(tǒng)的隨機(jī)游走算法，商品覆蓋率明顯大于傳統(tǒng)的推薦算法，顯著改善不活躍用戶的推薦質(zhì)量。實(shí)驗(yàn)結(jié)果表明，在稀疏的數(shù)據(jù)中，算法準(zhǔn)確性比傳統(tǒng)推薦算法提高了10%；針對(duì)不活躍用戶，算法準(zhǔn)確性比傳統(tǒng)推薦算法提高了21.9%。
　　3)提出一種基于社交網(wǎng)絡(luò)的隨機(jī)游走推薦算法。該方法在用戶-商品二部分網(wǎng)絡(luò)中，引入用戶-社團(tuán)二部分網(wǎng)絡(luò)，基于兩個(gè)網(wǎng)絡(luò)上的隨機(jī)游走模型，增加了網(wǎng)絡(luò)節(jié)點(diǎn)

4、間的可達(dá)概率，大幅度地提高了不活躍用戶的推薦質(zhì)量，從而弱化了數(shù)據(jù)稀疏性問(wèn)題和冷啟動(dòng)問(wèn)題。實(shí)驗(yàn)結(jié)果表明，當(dāng)向不活躍用戶和新用戶推薦商品時(shí)，算法的準(zhǔn)確性比傳統(tǒng)的推薦算法提高了44.5%。
　　4)提出一種基于信息核的推薦算法。該方法根據(jù)用戶最近鄰出現(xiàn)的次數(shù)和位置，設(shè)計(jì)了一種快速有效的信息核提取算法，并分析了信息核的結(jié)構(gòu)特征和核心用戶的分布情況。算法的優(yōu)點(diǎn)在于去除了推薦系統(tǒng)中的不相關(guān)用戶，從而提高了算法的效率和健壯性。實(shí)驗(yàn)結(jié)果表明，在信

5、息核為原始數(shù)據(jù)總量20%的情況下，算法的準(zhǔn)確性能夠達(dá)到使用所有數(shù)據(jù)準(zhǔn)確性的90%以上。
　　5)提出了基于社交關(guān)系的矩陣分解算法。該方法利用正則化和因子分解方法，在一個(gè)模型中同時(shí)考慮用戶-商品矩陣、用戶-社團(tuán)矩陣和用戶-朋友矩陣。實(shí)驗(yàn)結(jié)果表明，正則化方法更適用于用戶-朋友這樣的單模數(shù)據(jù)，因子分解算法更適用于用戶-商品、用戶-社團(tuán)等雙模數(shù)據(jù)。多數(shù)據(jù)源的交叉學(xué)習(xí)，可以明顯改善算法在稀疏數(shù)據(jù)中的準(zhǔn)確性，在商品推薦、社團(tuán)推薦和朋友推薦中，