学位论文 > 优秀研究生学位论文题录展示

基于自然遗忘的个性化推荐算法研究

作 者: 孙海超
导 师: 周颜军
学 校: 东北师范大学
专 业: 计算机软件与理论
关键词: 个性化服务 推荐系统 协同过滤 遗忘曲线 遗忘函数
分类号: TP311.52
类 型: 硕士论文
年 份: 2011年
下 载: 23次
引 用: 0次
阅 读: 论文下载
 

内容摘要


随着Internet与信息技术的飞速发展,互联网中各种类型的数据量迅速地增长,这种信息资源的不断膨胀,出现了所谓的“信息过载”和“信息迷行”的现象,使得人们在庞大的信息量中很难找到对我们有价值的资源。因而为了使人们更准确有效地获得对我们有用的信息,一种能够为用户主动提供信息的推荐系统便应运而生。推荐系统是根据用户以往的访问记录、对项目的评价信息、或项目之间的相关性来构建用户的兴趣模型,并根据该模型向用户推荐其可能感兴趣的项目。比如:一个电影网站可以根据用户的观看历史和对影片的评分,获得用户对电影的偏好信息,从而为用户推荐他们最可能感兴趣的影片。研究人员发现:个性化推荐问题存在用户兴趣漂移的现象。也就是说人们的兴趣不是一成不变的,而是会随着时间的推移而有所改变。而传统的推荐方法并没有考虑到这一点。在充分认识这一问题后,本文以传统的协同过滤技术和记忆遗忘理论为基础,提出了一种基于人的自然遗忘特征来追踪用户兴趣变化的算法。改进的推荐算法不仅能够体现用户兴趣随时间流逝而变化的影响,而且能够根据其遗忘的程度有侧重地推荐项目,以达到加强用户记忆的效果,为用户推荐其真正感兴趣的项目。本文提出的用户兴趣漂移跟踪算法的主要思想是为项目找到恰当的时间权重,也就是说用户最近给出的评分对当前要预测的项目有较大的贡献。直观上,我们认为最近的评分信息也就是用户当前主要的兴趣点;距离当前时间越接近的项目评分,它就有相对较大的时间权重。本文的主要工作包括以下几个方面:首先阐述了协同过滤算法的相关技术;然后介绍了推荐系统的评价标准;接下来回顾了用户兴趣漂移建模的有关方法;最后提出了我们的基于自然遗忘的个性化推荐算法。本文根据用户的历史评分,采用一种模拟自然遗忘的时间衰减函数,跟踪用户兴趣的变化,进而为每个用户推荐其最可能喜欢的项目。实验结果表明,基于自然遗忘的个性化推荐方法能够较准确地向用户推荐项目,提高了推荐系统的性能。

全文目录


摘要  4-5
Abstract  5-8
第一章 绪论  8-14
  1.1 研究背景与研究意义  8-9
  1.2 国内外研究现状  9-10
    1.2.1 国内研究现状  9-10
    1.2.2 国外研究现状  10
  1.3 本论文的研究目标与研究意义  10-12
    1.3.1 本论文的研究目标  10-11
    1.3.2 本论文的研究意义  11-12
  1.4 论文的组织结构安排  12-14
第二章 推荐系统及相关技术  14-22
  2.1 推荐系统概述  14
  2.2 推荐方法的分类  14-18
    2.2.1 基于内容的推荐方法  14-15
    2.2.2 协同过滤推荐方法  15-16
    2.2.3 Slope One 算法  16-17
    2.2.4 基于降维的推荐方法——奇异值分解  17-18
  2.3 考虑时间因素推荐方法  18-22
    2.3.1 基于时间的遗忘策略  19
    2.3.2 基于时间的遗忘函数  19-20
    2.3.3 时间感知的推荐方法  20-22
第三章 推荐系统的评价  22-26
  3.1 评测数据集  22-24
    3.1.1 MovieLens 数据集  22-23
    3.1.2 EachMovie 数据集  23
    3.1.3 Jester 数据集  23
    3.1.4 Book-Crossing 数据集  23-24
  3.2 性能评价标准  24-26
    3.2.1 平均绝对误差  24
    3.2.2 均方根误差  24
    3.2.3 命中率  24-25
    3.2.4 认同度  25-26
第四章 基于自然遗忘的协同过滤算法  26-31
  4.1 相似度计算方法  26-27
    4.1.1 皮尔森相关系数  26-27
    4.1.2 余弦相似度  27
  4.2 艾宾浩斯遗忘曲线  27-29
    4.2.1 艾宾浩斯遗忘规律曲线的描述  27-28
    4.2.2 艾宾浩斯遗忘函数  28-29
  4.3 改进的相似度测量函数  29-30
    4.3.1 改进的自然遗忘函数  29
    4.3.2 新的相似度计算方法  29-30
  4.4 预测方法  30-31
第五章 实验设计与结果分析  31-35
  5.1 评价方法  31-32
  5.2 实验设计  32
  5.3 实验结果分析  32-35
    5.3.1 改变近邻数量的比较实验  33-34
    5.3.2 设定相似度阈值的比较实验  34-35
结论与展望  35-36
参考文献  36-38
致谢  38-39
在学期间公开发表论文及著作情况  39

相似论文

  1. 基于Web挖掘技术研究及其在数字图书馆中的应用,G250.76
  2. 基于蚁群算法的移动商务个性化推荐体系研究,TP391.3
  3. Web挖掘技术在电子商务推荐系统中的研究与应用,TP391.3
  4. 基于协同过滤的用户兴趣发现,TP391.3
  5. 基于信息型模型的音乐推荐算法,TP391.3
  6. 社会化网络中的推荐算法及其应用,TP391.3
  7. 个性化医疗信息推荐系统的研究与实现,R319
  8. 基于社会化标签体系的个性化推荐引擎技术研究,TP391.3
  9. 基于GPU的图书推荐系统研究与实现,TP391.3
  10. 高校图书馆管理系统的个性化服务的设计与实现,TP311.52
  11. 基于C2C电子商务模式下商品推荐系统应用研究,F724.6
  12. 基于社会标签系统的推荐技术研究,TP391.3
  13. 基于角色任务的个性化资源服务推送机制研究,TP311.52
  14. 四川职业技术学院校务门户网站的改进与实现,TP393.092
  15. 基于用户兴趣和浏览行为的个性化推荐技术研究,TP391.3
  16. 基于特征向量的个性化推荐算法研究,TP391.3
  17. 基于语用情境的资源推荐研究及应用,TP391.3
  18. 动态推荐技术的研究及在个性化电子警务中的应用,D631.1
  19. 跨系统个性化服务中隐私保持问题研究,TP393.08
  20. Agent电子商务推荐系统下协同过滤技术研究,F713.36

中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机软件 > 程序设计、软件工程 > 软件工程 > 软件开发
© 2012 www.xueweilunwen.com