基于用户实时反馈的协同过滤算法研究

论文摘要

随着互联网的普及和电子商务的迅猛发展,网络用户正面临着越来越严重的信息过载问题,用户不得不在海量的产品信息中寻找需要的商品。推荐系统可以有效地与用户进行交互,根据用户的喜好进行个性化的商品推荐,对提升用户对电子商务网站的满意度、增加商品销售量有重要影响。但是,精确性问题和实时性问题严重制约了推荐系统的发展。目前应用最为广泛的推荐算法是协同过滤算法,协同过滤主要时间消耗用于相似度计算上。随着用户数量和项目数量的增加,推荐系统需要不断的重新计算相似度,造成推荐系统无法满足用户的需求。基于模型的协同过滤算法从某种程度上解决了这个问题,但由于模型更新周期长而降低了推荐的精确性。针对以上情况,提出一种基于用户实时反馈的协同过滤算法,该算法在用户提交项目评分之后能实现对推荐模型数据的实时更新,从而更精确的反映用户的兴趣变化。本文的主要的研究工作如下：1.对当前推荐系统和推荐算法的发展和研究情况进行了阐述,重点归纳了协同过滤推荐的基本原理以及推荐特点,总结了传统的协同过滤技术存在的弊端,为下文模型的提出奠定基础。2.为了能够实时更新用户的兴趣变化,本文提出了基于用户实时反馈的推荐模型,通过在线更新机制接收用户的实时反馈对相似度数据进行局部更新,该反馈模型分为直接反馈和间接反馈两部分,分别从不同角度反映用户反馈对推荐结果的影响。3.针对该种模型,本文又提出了一种基于用户实时反馈的协同过滤算法,该算法通过巧妙的公式变化,实现了在传统协同过滤算法上的实时更新功能,又通过引入邻接表结构来降低算法的复杂度,实现了在线更新的功能。4.在实验部分,本文设计了三部分实验来测试算法效果。除了采用传统的平均绝对误差(MAE)和平均推荐时间(MRT)这两个指标之外,本文还提出了平均评价时间(MAT)来衡量用户评价数据所需要的时间。实验结果表明,该算法能够有效地提高推荐精确度并且大幅地缩短了推荐时间。最后,本文对推荐系统技术的未来进行了展望。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.3 本文的主要研究内容
• 1.4 本文主体结构
• 1.5 本章小结
• 2 电子商务推荐系统
• 2.1 电子商务推荐系统的定义
• 2.2 推荐系统的输入/输出
• 2.2.1 推荐系统的输入
• 2.2.2 推荐系统的输出
• 2.3 个性化推荐技术
• 2.3.1 基于关联规则推荐
• 2.3.2 基于内容的推荐
• 2.3.3 协同过滤推荐
• 2.3.4 基于知识推荐
• 2.3.5 组合推荐
• 2.4 各种推荐方法的对比
• 2.5 本章小结
• 3 协同过滤技术
• 3.1 协同过滤的概述
• 3.2 协同过滤的分类
• 3.2.1 基于内存的协同过滤
• 3.2.2 基于模型的协同过滤
• 3.3 协同过滤的存在的问题
• 3.4 小结
• 4 基于用户实时反馈的协同过滤推荐
• 4.1 传统的协同过滤推荐模型存在的弊端
• 4.2 基于用户实时反馈的协同过滤模型
• 4.2.1 基于用户实时反馈的推荐提出的依据
• 4.2.2 基于用户实时反馈的协同过滤推荐模型
• 4.3 基于用户实时反馈协同过滤算法的实现
• 4.3.1 相关概念的定义
• 4.3.2 用户评价的间接反馈机制的原理
• 4.3.3 推荐模型时效性方面的改进
• 4.4 用户评价的直接反馈机制的原理
• 4.5 基于用户实时反馈的协同过滤算法的推荐过程
• 4.6 算法复杂度分析
• 4.7 本章小结
• 5 实验及结果分析
• 5.1 实验平台
• 5.2 评价标准
• 5.3 实验数据集
• 5.4 实验设计
• 5.4.1 数据预处理
• 5.4.2 实验的设计思路
• 5.5 实验结果与分析
• 5.6 本章小结
• 6 总结和展望
• 6.1 本文总结
• 6.2 电子商务推荐系统未来展望
• 致谢
• 参考文献
• 附录
• A.作者在攻读学位期间发表的论文目录