在线推荐系统的算法研究及其应用

• 作 者: 黄海波
• 发表日期: 2012年01期
• 关键词: 推荐系统 数据挖掘 社交网络 协同过滤

近年来，随着互联网迅速发展及智能手机、相机等个人电子设备的迅速普及，大量信息被上载到互联网。互联网信息的快速增长，产生了信息疲劳的问题。人们每天面对海量数据，却难以从这些数据中快速获取自身需要的信息，而往往被各类垃圾信息所包围。人们迫切需要一种方式能够主动地、便利地、准确地获取并处理信息。推荐系统正是解决这一问题的最新尝试之一，并成为近几年的研究的热点。这种系统通过主动或是被动地获取用户的各类信息，如对项目的评分，或是访问的网页、搜索的关键词、点击的链接等数据，主动推断用户的偏好，并向用户提供用户需要的信息。然而，现有推荐系统在精确度、功能、适用范围等方面仍然不能完全满足用户的需求，新的推荐系统及推荐算法仍在不断涌现。基于上述背景，本文对推荐系统的研究现状及发展进行了研究，重点关注推荐系统的评价以及基于社交网络的推荐系统两个方面，并提出了一些改进算法，取得了一定成果。本文主要包括以下内容：一是研究了推荐系统的评价方法，分析了现有方法中存在的误差及其对系统性能的影响。提出了一种基于分离因素法的推荐精度评价算法，并对算法进行了分析。基于KDD Cup2012Track2数据对相关算法进行了仿真实验，得到了搜索引擎中显示在不同位置广告，对用户相对吸引力数值。二是研究了在社交网络中推荐系统的作用及实现方法，并提出一种信任传递及聚合机制，用于度量社交网络中原本不是好友的两人之间的相关程度。同时，给出一种算法快速计算一个用户与其它用户之间的相关程度，进而快速给出推荐结果。基于KDD Cup2012Track1数据对算法进行了仿真实验，并给出了分析结果。