题名 | 面向多样性的推荐算法研究_n |
作者 | 葛小村 |
答辩日期 | 2011-05-26 |
文献子类 | 硕士 |
授予单位 | 中国科学院研究生院 |
授予地点 | 北京 |
导师 | 廖华明 |
关键词 | 推荐系统 推荐多样性 标签信息 Trust推荐网络图 群体性偏好 |
学位专业 | 其它专业 |
英文摘要 | 信息的爆炸式增长使人们面临着信息过载的问题,精确地理解用户需求成为一个挑战,同时提供个性化的信息服务变得日益重要。在这种情况下,推荐技术提供了一种行之有效的解决方法。现在推荐系统吸引了越来越多的研究目光并日益成为一个重要的研究领域。目前的研究主要集中在提高推荐算法的准确度。但最准确的推荐有时候并不是对用户最有用的推荐。在某些应用场景中,推荐结果的多样性也非常重要。本文研究如何在保证推荐准确度的前提下提高推荐多样性。 本文提出了三种技术,分别用于推荐过程的三个阶段:用户相似度计算阶段、产生推荐列表阶段和推荐列表调整阶段。 在用户相似度计算阶段,本文提出了一种集成标签信息的图构建方法。该方法在传统的“用户-物品-评分”的数据基础上构造图模型,然后通过标签信息改进图模型,最后在图模型上计算用户之间的相似度或直接产生推荐集。实验表明,该方法可以有效提高推荐的准确度。 在推荐阶段,本文提出了一种基于Trust推荐网络图的推荐算法,该方法把用户之间的相似度和用户对物品的评分映射为节点之间的信任关系。然后通过设计推荐结构图,来执行推荐策略。该算法不仅可以消除用户之间相似度计算的一些噪音,而且通过挖掘隐藏的用户群体性信息,并在推荐时使用群体性导向信息,可以提高推荐效果。实验结果表明,对比传统协同过滤算法,该方法不仅提高了推荐的准确性,同时提高了推荐的多样性。 在推荐列表调整阶段,本文提出了一种使用用户群体性偏好提高推荐多样性的方法。通过引入群体性偏好的概念,以挖掘属于小群体的独特偏好,进而在小群体粒度上提高推荐的多样性。实验结果表明,该方法可以大幅提高推荐的多样性,同时推荐准确度只是略微下降。 |
语种 | 中文 |
公开日期 | 2011-07-07 |
内容类型 | 学位论文 |
源URL | [http://ictir.ict.ac.cn/handle/311040/1217] ![]() |
专题 | 中国科学院计算技术研究所学位论文_2010博士 |
推荐引用方式 GB/T 7714 | 葛小村. 面向多样性的推荐算法研究_n[D]. 北京. 中国科学院研究生院. 2011. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论