论文部分内容阅读
随着现代社会快速发展,人们对于信息的需求(包括对信息的筛选以及便捷的获取手段等)愈加强烈。推荐系统作为信息过滤的一种有效形式,体现的作用日益显著。一个优秀的推荐系统能够为用户筛选出符合用户偏好的信息,对于无关信息过滤,并进行准确的推荐。因此,从推荐系统的特点出发,本文重点研究和改进了推荐系统的相关算法与模型,具体工作如下:首先,本文针对推荐系统发展现状,发现在现有推荐系统中存在着用户兴趣漂移,解释性差及缺乏安全性、扩展性等问题。针对存在的冷启动问题,本文提出了基于关联规则的相关算法与改进模型。对于Slope One算法进行改进,得到了改进后的MF-Slope One算法,进而建立了相关频繁项目集,并在MovieLens数据集上对MF-Slope One算法、传统的基于用户关联的推荐算法和传统的基于项目关联的推荐算法等进行计算比较,得到该数据集中对应的MF-Slope One算法在保证覆盖率的前提下推荐准确率得到了大幅提高。为了进一步提高推荐的准确性和覆盖率等指标,增加推荐结果的可解释性,本文提出了基于隐式用户的混合推荐模型算法(combined-Implicit Feedback Recommendation Model),即cIFRM。cIFRM模型算法对用户与项目进行分类,将用户的隐式行为提取转化,通过改进的在线隐式反馈推荐模型得到分类的推荐结果。针对推荐系统用户的兴趣漂移问题,加入了时间衰退机制;依托艾宾浩斯的遗忘曲线,对于实际使用中用户兴趣的漂移问题给出利用衰减参数的解决方案,并在实际数据集中进行计算验证,得到了衰减参数?的取值方法。同时,针对协同过滤算法中的数据稀疏性以及冷启动问题,加入评分填充机制,提出了基于评分填充的算法改进。通过阈值?对于用户评分矩阵是否填充进行判定,对于缺失数据进行局部填充,从而得到对应的相似矩阵。本文为了验证cIFRM算法的优越性,在MovieLens数据集和“开课吧”提供的真实数据集中进行了对应推荐效果实验,参数影响实验,数据稀疏度实验等,并与其他算法进行比较分析,得到cIFRM算法与相关算法相比平均百分比排序MPR值和平均正确率MAP值均有提升,针对不同实际情况对应相关参数如学习率和衰减参数等选择也得到了验证。