学位论文 > 优秀研究生学位论文题录展示

群落标签推荐系统体系结构及关键问题研究

作　者: 董振华
导　师: 李庆诚
学　校: 南开大学
专　业: 计算机应用技术
关键词: 推荐系统群落标签个性化协同过滤跨域推荐图模型潜在因素模型
分类号: TP391.3
类　型: 博士论文
年　份: 2012年
下　载: 50次
引　用: 0次
阅　读: 论文下载

内容摘要

随着信息通讯技术的发展，互联网的普及，如何帮助用户在海量的信息中找到其需要的信息成为亟待解决的问题。推荐系统作为克服信息过载，帮助用户发现所需信息的工具应运而生。推荐系统通过分析用户兴趣特征，物品属性特征，用户对物品的操作行为，建立用户兴趣模型，预测用户对物品的喜好，从而实施推荐。近年来推荐系统被广泛应用于电子商务等领域，在学术上也得到了广泛而深入的研究，但是随着数据规模的增大，推荐的内容和用户需求都朝着多元化的方向发展，推荐系统在体系架构，推荐结果的多样性和准确性，算法效率等方面都面临着一系列挑战。本文提出了群落标签推荐系统体系结构，应用融合标签的推荐模型和算法，解决推荐系统在预测准确率，推荐结果多样性，以及推荐算法效率三方面的问题，并在标准数据集上验证算法和模型的有效性。本文的主要工作和贡献如下：1在群落标签推荐系统的模型设计方面：本文以提高推荐系统的综合质量为目标，在分析现有的推荐系统模型的基础上，提出了融合群落标签信息的推荐系统模型，改进推荐的准确性、多样性和效率。并在此基础上设计推荐系统的体系结构，根据用户的实际需求选择推荐算法和策略，提高系统的灵活性与适用性。2在提升推荐内容多样性和分析用户对于不同领域物品兴趣标签的关联研究方面：本文分析了跨域推荐问题，提出了基于域间近邻模型的跨域推荐算法，并且通过物品的群落标签，建立用户对于不同领域物品的喜好在语义标签的关联关系，从而挖掘领域间喜好的关联规则。实验结果表明，域间近邻模型能够有效地解决跨域交叉推荐问题，即可以根据用户对一类物品的喜好向其推荐另一类的物品；同时采用关联规则的方法分析物品标签，挖掘用户对于不同类别物品的喜好在语义上的关联关系，为跨域推荐提供解释。3在应用标签改进推荐准确性方面：分别在图模型和潜在因素模型中融合属性标签，提高Top-N推荐的命中率和预测评分推荐的准确度。实验结果表明，相对于经典的协同过滤推荐算法，融合属性标签信息的推荐模型能够提高推荐的准确性。4在提高推荐算法的效率研究方面：针对现有协同过滤推荐算法的效率问题，分别在聚类模型和奇异值分解模型的基础上，提出了基于概率聚类的预测评分模型和增量式奇异值分解模型。实验验证，相比于经典的推荐算法，本文提出的高效预测评分算法在推荐效率、准确性等方面有较大的优势，可以用于实时推荐。本文最后通过实现面向读物的Readings推荐服务，验证了群落标签推荐系统架构和相关的算法可以被应用于实际的推荐系统中，能够有效地改进读物推荐的准确性、多样性和效率，提高推荐系统的综合质量。

全文目录

摘要  5-7
Abstract  7-14
第一章绪论  14-49
  第一节研究背景  14-25
    1.1.1 信息进化与信息爆炸  14-17
    1.1.2 群落标签  17-19
    1.1.3 长尾理论  19-22
    1.1.4 学术与产业背景  22-25
  第二节相关研究  25-43
    1.2.1 标签相关研究  25-28
    1.2.2 推荐算法相关研究  28-35
    1.2.3 推荐系统架构  35-39
    1.2.4 推荐评价  39-43
  第三节推荐系统存在的问题  43-45
    1.3.1 跨域推荐问题  44
    1.3.2 标签信息在推荐系统中的应用  44
    1.3.3 推荐算法的效率和扩展性问题  44
    1.3.4 推荐系统的交互设计  44-45
  第四节研究内容及论文组织结构  45-49
    1.4.1 问题的提出  45-46
    1.4.2 论文的主要工作  46
    1.4.3 论文的创新点  46-47
    1.4.4 论文的组织结构  47-49
第二章群落标签推荐系统模型  49-68
  第一节推荐系统模型分析  49-51
    2.1.1 传统推荐系统模型  49-50
    2.1.2 融合群落标签的推荐系统模型  50-51
  第二节群落标签推荐系统体系架构  51-65
    2.2.1 信息聚合系统  51-53
    2.2.2 推荐系统体系结构  53-54
    2.2.3 融合标签的推荐交互界面  54-59
    2.2.4 数据采集与预处理  59-60
    2.2.5 行为分析与特征提取  60-62
    2.2.6 推荐模块  62-64
    2.2.7 反馈分析  64-65
  第三节关键问题  65-67
    2.3.1 推荐的多样性问题  65-66
    2.3.2 推荐的准确性问题  66
    2.3.3 推荐的效率问题  66-67
  第四节小结  67-68
第三章基于标签的跨域喜好关联及推荐研究  68-92
  第一节跨域推荐问题  68-69
  第二节基于近邻模型的推荐算法  69-74
    3.2.1 用户近邻模型与物品近邻模型  69-70
    3.2.2 相似性计算方法  70-73
    3.2.3 推荐预测评分  73
    3.2.4 参数选择  73-74
  第三节跨域交叉推荐  74-77
    3.3.1 算法基本思路  74-75
    3.3.2 跨域交叉推荐模型  75-77
  第四节基于标签的喜好间关联分析  77-81
    3.4.1 域间喜好关联关系分析  77-78
    3.4.2 基于标签的域间喜好关联分析  78-81
  第五节实验与分析  81-91
    3.5.1 跨域交叉推荐  81-86
    3.5.2 域间喜好标签关联分析  86-91
  第六节小结  91-92
第四章融合属性标签的推荐算法设计  92-115
  第一节融合属性标签的推荐任务  92-93
  第二节融合属性标签的潜在因素模型（C-SVD）  93-99
    4.2.1 潜在因素模型  93-96
    4.2.2 融合属性标签的潜在因素模型  96-99
  第三节融合属性标签信息的图模型  99-106
    4.3.1 基于图模型的推荐算法  99-103
    4.3.2 融合物品属性标签评价信息的图模型  103-106
  第四节实验与分析  106-114
    4.4.1 对比算法  106
    4.4.2 数据集与实验环境  106-107
    4.4.3 评测方法  107-108
    4.4.4 实验结果  108-114
  第五节小结  114-115
第五章预测评分算法效率优化  115-134
  第一节推荐算法的效率优化问题  115-116
  第二节概率聚类推荐模型研究  116-125
    5.2.1 基于聚类模型的推荐算法  116-119
    5.2.2 基于概率聚类的推荐算法  119-125
  第三节增量式 SVD 预测模型研究  125-128
    5.3.1 奇异值分解模型  125-126
    5.3.2 增量式奇异值分解模型  126-128
    5.3.3 时间复杂度分析  128
  第四节实验与分析  128-133
    5.4.1 数据集与实验环境  128-129
    5.4.2 评价指标与对比算法  129-130
    5.4.3 实验结果  130-133
  第五节本章小结  133-134
第六章读物推荐系统的设计与实现  134-152
  第一节个性化阅读  134-135
  第二节读物推荐系统结构及关键模块  135-140
    6.2.1 Readings 读物推荐系统结构  135
    6.2.2 构建推荐引擎的数据集  135-137
    6.2.3 读物推荐模块  137
    6.2.4 跨域推荐模块  137-138
    6.2.5 热门读物推荐  138-139
    6.2.6 读物关联推荐模块和读友推荐模块  139
    6.2.7 个性化搜索模块  139
    6.2.8 维基化读物编辑  139-140
  第三节系统实现  140-150
    6.3.1 数据层  140-141
    6.3.2 数据逻辑处理层  141-143
    6.3.3 交互界面显示层  143-150
  第四节本章小结  150-152
第七章总结与展望  152-155
  第一节本文工作总结  152-153
  第二节未来研究方向展望  153-155
参考文献  155-167
致谢  167-169
个人简历  169-170
在学期间发表学术论文  170-172
在学期间参与项目经历  172-173

群落标签推荐系统体系结构及关键问题研究

内容摘要

全文目录

相似论文