摘要:Internet的快速进展使得用户接触到的信息越来越多,及时、准确在海量信息源中发现有价值的信息变得越来越困难。个性化推荐系统被视为解决这一不足的最有效方式之一。个性化推荐系统可以根据用户历史行为,通过建立相应的推荐算法,挖掘出用户特点和喜好,依据预测推荐结果帮助用户快速找到所需信息,达到个性化怎么写作的目的。推荐算法作为个性化推荐系统中最为核心的组成部分,其效率的高低直接影响着整个推荐系统的体现。比较成熟的推荐算法有基于内容的、协同过滤等算法,这些算法虽然已经被普遍利用,但仍有不少需要改善的地方。基于复杂网络论述的推荐算法的提出就是一种很好的尝试,它也是目前的探讨热点之一。随着复杂性科学的进展,将现实社会中各种现象或者联系抽象为复杂网络模型已经成为一种走势。将个性化推荐系统中用户和商品抽象为复杂网络中的节点,用户与商品之间的选择联系抽象为网络中的连线,在这一模型基础上进行浅析,为推荐算法的探讨带来了新突破的可能。以复杂网络论述和相关的数据挖掘策略为基础,论文着重于寻求提升个性化推荐系统中推荐结果的精确性、多样性以及新鲜性的途径。在简述了一些复杂网络和个性化推荐系统的背景知识的基础上,浅析探讨了推荐算法的进展与演变,最后结合随机游走与热传导两种物理历程构造出两类基于网络结构的推荐算法。具体工作如下:第一部分为绪论,介绍了互联网时代个性化推荐系统的探讨背景,阐述了其对于解决信息超载不足的重要作用,并且对主要的探讨策略和探讨内容进行了概括。第二部分介绍了复杂网络论述以及个性化推荐系统。首先,概述了复杂网络论述的概念、特点以及进展情况和运用的领域。对复杂网络的几类主要拓扑特点进行了描述;介绍了几类经典复杂网络模型,并浅析了各自的网络拓扑特性。其次,论文对个性化推荐系统进行了介绍。针对目前信息超载的近况指明了个性化推荐系统的探讨作用以及商业价值;浅析了推荐系统的业务流程、推荐系统的整体框架和推荐系统面对的主要挑战。第三部分对目前的个性化推荐算法探讨进展进行了综述。主要介绍了基于内容的推荐算法、协同过滤推荐算法、基于复杂网络的推荐算法等。重点浅析了基于网络结构的推荐算法,其基本思路为将用户抽象为节点,用户之间通过商品的联系抽象为连边,构建二部图(bipartite network)网络结构。类比物质扩散这种资源分配历程实现用户之间的相似性传递,以达到为目标用户推荐其未选择过商品的目的。该部分的最后对各种算法的优缺点进行了比较。第四、五部分是本论文的重点。第四部分通过浅析商品度的影响能力以及资源随机游走传播方向性不足,修正了传统的协同过滤网络结构算法。尝试提出了基于随机游走的二部图网络结构推荐算法。传统的协同过滤网络结构推荐算法对于用户相似性的刻画都是以目标用户到邻居的方向来考虑。在现实的在线网络系统中,不活跃的用户占据了大部分的比例,活跃用户只有少数,本论文指出有效的利用这种不均等的用户配比联系,可以增强在线社会网络以及电子商务网站的可扩展性以及用户依赖度。通过加入对于流行商品推荐能力限制的参数,适当降低流行商品的资源贡献强度,可以提升系统中那些较为冷门商品的出现比例,这样也就优化了推荐结果的多样性。同时,通过转变系统中固有的随机游走的资源传播方向,可以在不受实验数据特性的影响下,通过计算找到用户间相似性最大值,改善推荐系统的精确性。通过以上两个步骤的调整,算法可以在精确性、多样性以及个性化结果上优于以往的传统的协同过滤网络结构算法。第五部分类比物理上的热传导历程,利用标签等内容信息,在三部图网络结构中,尝试提出了基于热传导的三部图网络结构推荐算法以增加推荐结果的多样性。传统的推荐算法集中于对推荐结果精确性的改善,高精确性确实是衡量推荐系统效果的最为重要的指标之一,但是这样的结果并无法满足用户的个性化需求,因为高精确性带来的推荐往往都是那些已经可以以其他各种渠道获取到信息的流行商品。本部分通过以展示商品内容特点的标签信息入手,并将热传导这种物理历程成功的运用到用户-商品-标签三部图的复杂网络结构中,借鉴热传导的原理,不仅提升了算法的推荐结果多样性,同时也保障推荐结果的精确性。这一算法的整体体现,优于基于物质扩散的二部图网络结构推荐算法,同时也改善了传统的基于物质扩散的三部图网络结构的推荐算法。第六部分阐述本论文的主要结论和不足之处,并对进一步的探讨进行了展望。本论文的主要革新点有两处。第一是考虑了方向性带给用户之间相似性计算的差别,引入物理学中的随机游走历程,通过比较采取两用户间相似性值较大者,改善了标准的基于网络结构的协同过滤算法。并且,通过加入对于流行商品推荐能力限制的参数,适当降低流行商品的资源贡献强度,提升系统中一些非流行商品的出现比例,这样也就优化了推荐结果的多样性。第二是在原有的利用标签信息构建的三部图网络结构推荐算法中,借鉴了物理学中热传导的原理,在用户-商品之间利用类似于热传导的资源传播方式增加了两用户的推荐列表差别性,以而改善了整个推荐算法的多样性。关键词:个性化推荐系统论文推荐算法论文复杂网络论文随机游走论文热传导论文
摘要4-7
Abstract7-13
1. 绪论13-17
1.1 不足的提出和探讨作用13-15
1.2 探讨策略和探讨内容15-16
1.3 论文结构16-17
2. 复杂网络与个性化推荐系统介绍17-27
2.1 复杂网络论述17-24
2.1.1 复杂网络的主要拓扑特点17-19
2.1.2 经典复杂网络模型19-22
2.1.3 复杂网络探讨近况22-24
2.2 个性化推荐系统介绍24-27
2.2.1 个性化推荐系统基本原理24-26
2.2.2 个性化推荐系统面对的主要挑战26-27
3. 推荐算法概述27-39
3.1 基于内容的推荐算法27-29
3.1.1 用户建模27-28
3.1.2 向量空间模型28
3.1.3 计算比较相似度28-29
3.2 协同过滤推荐算法29-32
3.2.1 协同过滤算法的数据表示29-30
3.2.2 协同过滤算法描述30-32
3.3 基于复杂网络结构的推荐算法32-36
3.3.1 基于二部图的物质扩散推荐算法32-34
3.3.2 初始资源对二部图推荐算法的影响34-35
3.3.3 去除重复属性的物质扩散算法35-36
3.4 现有推荐算法比较36-39
3.4.1 其他推荐算法36
3.4.2 推荐算法总结与比较36-39
4. 基于随机游走的两部图推荐算法探讨39-51
4.1 不足描述39-40
4.2 算法构造40-44
4.2.1 基于网络结构的协同过滤算法40-42
4.2.2 基于随机游走的推荐算法构造42-44
4.2.2.1 加入调节参数B的用户相似性度量策略42
4.2.2.2 考虑随机游走方向性的算法构造42-44
4.3 实验历程44-50
4.3.1 实验数据44-45
4.3.2 算法评价指标45-47
4.3.3 实验结果浅析47-50
4.4 本章小结50-51
5. 基于热传导的三部图推荐算法探讨51-63
5.1 基于热传导的两部图推荐算法51-53
5.1.1 算法描述52-53
5.2 基于标签的三部图推荐算法53-55
5.2.1 算法描述54-55
5.3 修正的基于热传导的三部图推荐算法探讨55-61
5.3.1 算法构造55-57
5.3.2 实验浅析57-61
5.3.2.1 实验数据57-58
5.3.2.2 算法评价指标58-59
5.3.2.3 实验结果浅析59-61
5.4 本章小结61-63
6. 结论与展望63-67
6.1 论文主要工作总结63-65
6.2 展望65-67