基于多种用户行为反馈的协同过滤推荐算法研究及在健康服务平台上的应用
发布时间：2024-03-09 00:41
随着信息技术和互联网的普及和迅猛发展,各种创新性的互联网服务已发展成为与人类生产、生活的各个方面密切相关的重要组成部分。全球数据规模的井喷式激增,将现代社会推入了信息过载的新时期。面对浩如烟海的数据,人类如何能够借助智能技术和工具将自身解放出来,为其主动获取、发现并推送与个人兴趣偏好相一致的产品和服务,已经成为一个重要的研究课题。推荐系统发展至今,协同过滤技术是推荐系统中应用最成功、使用最广泛的技术之一。但是,在真实应用环境下,由于用户行为的复杂性和数据类型的不断丰富等情况,传统的协同过滤推荐技术在相似度计算的准确性、对级排序方法中相对偏好关系的有效性、隐式反馈的偏好表达不对称性以及多种类型隐式反馈的不确定性等方面仍面临诸多新的问题和挑战。本文主要针对以上问题开展研究工作,主要工作和创新成果总结为以下几个方面:1.本文提出了一种融合多种用户行为重合依赖度的协同过滤推荐算法。针对因公共评分数量偏少造成传统相似度计算方法的准确性出现偏差的问题,本文将局部评分重合度和在全体评分数据中的全局依赖度进行结合,提出了新的基于重合依赖度的相似度计算方法。同时,引入两种用户行为,探索使用不同类型的显式...
【文章页数】：167 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
缩写符号对照表
1 绪论
1.1 研究背景和意义
1.2 推荐系统面临的主要问题和挑战
1.2.1 数据稀疏性问题
1.2.2 基于隐式反馈的推荐技术存在问题
1.3 论文的研究内容
1.4 论文的组织结构
2 协同过滤推荐技术相关研究综述
2.1 推荐系统概述
2.1.1 推荐系统的相关定义
2.1.2 常用推荐算法的分类
2.2 协同过滤推荐算法
2.2.1 基本工作原理
2.2.2 基于近邻的协同过滤推荐算法
2.2.3 基于矩阵分解的协同过滤推荐算法
2.2.4 基于隐式反馈的排序学习推荐算法
2.3 “名医网”健康服务平台介绍及数据集说明
2.3.1 “名医网”健康服务平台基本情况介绍
2.3.2 数据集说明
2.4 推荐系统评测指标
2.4.1 评分预测准确度
2.4.2 Top-N推荐准确度
2.4.3 排序准确度
2.5 本章小结
3 融合多种用户行为重合依赖度的协同过滤推荐算法
3.1 引言
3.2 传统相似度计算存在的问题
3.3 融合多种用户行为重合依赖度的协同过滤推荐算法
3.3.1 基于重合依赖度的相似度计算方法
3.3.2 融合多种用户行为重合依赖度的协同过滤推荐算法
3.3.3 算法描述
3.4 实验与分析
3.4.1 数据集说明
3.4.2 评价指标与实验说明
3.4.3 传统相似度计算方法的预测准确度对比
3.4.4 基于重合依赖度的相似度计算方法预测准确度对比
3.4.5 权重因子的影响
3.4.6 与其他算法的预测准确度对比
3.5 本章小结
4 基于混合类型项目集对级偏好的排序学习推荐算法
4.1 引言
4.2 问题描述
4.2.1 相关定义
4.2.2 基于混合类型项目集对级偏好的排序学习问题定义
4.3 基于混合类型项目集对级偏好的排序学习推荐算法
4.3.1 模型假设
4.3.2 模型构建
4.3.3 模型训练和参数学习
4.4 实验与分析
4.4.1 数据集说明
4.4.2 评价指标
4.4.3 对比算法
4.4.4 参数设置
4.4.5 性能对比
4.4.6 项目集合大小的影响
4.4.7 混合类型项目集合中不同类型项目占比的影响
4.5 本章小结
5 基于多关系隐式反馈的排序学习推荐算法
5.1 引言
5.2 问题描述
5.2.1 相关定义
5.2.2 基于多关系隐式反馈的排序学习问题定义
5.3 基于多关系隐式反馈的排序学习推荐算法
5.3.1 模型偏好假设
5.3.2 模型构建
5.3.3 辅助系数的计算方法
5.3.4 模型训练和参数学习
5.4 实验与分析
5.4.1 数据集说明
5.4.2 评价指标
5.4.3 对比算法
5.4.4 参数设置
5.4.5 性能对比
5.4.6 模型偏好假设的影响
5.4.7 辅助系数muik的影响
5.5 本章小结
6 基于多关系隐式反馈置信度的排序学习推荐算法
6.1 引言
6.2 问题描述
6.2.1 相关定义
6.2.2 基于多关系隐式反馈置信度的排序学习问题定义
6.3 基于多关系隐式反馈置信度的排序学习推荐算法
6.3.1 模型构建
6.3.2 置信度计算
6.3.3 模型训练和参数学习
6.4 实验与分析
6.4.1 数据集说明
6.4.2 评价指标
6.4.3 对比算法
6.4.4 参数设置
6.4.5 性能对比
6.4.6 置信度计算方法的影响
6.4.7 不同阈值取值的影响
6.5 本章小结
7 总结与展望
7.1 论文总结
7.2 研究展望
参考文献
个人简历、在学期间发表的学术论文与研究成果
致谢
本文编号：3922641
【文章页数】：167 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
缩写符号对照表
1 绪论
1.1 研究背景和意义
1.2 推荐系统面临的主要问题和挑战
1.2.1 数据稀疏性问题
1.2.2 基于隐式反馈的推荐技术存在问题
1.3 论文的研究内容
1.4 论文的组织结构
2 协同过滤推荐技术相关研究综述
2.1 推荐系统概述
2.1.1 推荐系统的相关定义
2.1.2 常用推荐算法的分类
2.2 协同过滤推荐算法
2.2.1 基本工作原理
2.2.2 基于近邻的协同过滤推荐算法
2.2.3 基于矩阵分解的协同过滤推荐算法
2.2.4 基于隐式反馈的排序学习推荐算法
2.3 “名医网”健康服务平台介绍及数据集说明
2.3.1 “名医网”健康服务平台基本情况介绍
2.3.2 数据集说明
2.4 推荐系统评测指标
2.4.1 评分预测准确度
2.4.2 Top-N推荐准确度
2.4.3 排序准确度
2.5 本章小结
3 融合多种用户行为重合依赖度的协同过滤推荐算法
3.1 引言
3.2 传统相似度计算存在的问题
3.3 融合多种用户行为重合依赖度的协同过滤推荐算法
3.3.1 基于重合依赖度的相似度计算方法
3.3.2 融合多种用户行为重合依赖度的协同过滤推荐算法
3.3.3 算法描述
3.4 实验与分析
3.4.1 数据集说明
3.4.2 评价指标与实验说明
3.4.3 传统相似度计算方法的预测准确度对比
3.4.4 基于重合依赖度的相似度计算方法预测准确度对比
3.4.5 权重因子的影响
3.4.6 与其他算法的预测准确度对比
3.5 本章小结
4 基于混合类型项目集对级偏好的排序学习推荐算法
4.1 引言
4.2 问题描述
4.2.1 相关定义
4.2.2 基于混合类型项目集对级偏好的排序学习问题定义
4.3 基于混合类型项目集对级偏好的排序学习推荐算法
4.3.1 模型假设
4.3.2 模型构建
4.3.3 模型训练和参数学习
4.4 实验与分析
4.4.1 数据集说明
4.4.2 评价指标
4.4.3 对比算法
4.4.4 参数设置
4.4.5 性能对比
4.4.6 项目集合大小的影响
4.4.7 混合类型项目集合中不同类型项目占比的影响
4.5 本章小结
5 基于多关系隐式反馈的排序学习推荐算法
5.1 引言
5.2 问题描述
5.2.1 相关定义
5.2.2 基于多关系隐式反馈的排序学习问题定义
5.3 基于多关系隐式反馈的排序学习推荐算法
5.3.1 模型偏好假设
5.3.2 模型构建
5.3.3 辅助系数的计算方法
5.3.4 模型训练和参数学习
5.4 实验与分析
5.4.1 数据集说明
5.4.2 评价指标
5.4.3 对比算法
5.4.4 参数设置
5.4.5 性能对比
5.4.6 模型偏好假设的影响
5.4.7 辅助系数muik的影响
5.5 本章小结
6 基于多关系隐式反馈置信度的排序学习推荐算法
6.1 引言
6.2 问题描述
6.2.1 相关定义
6.2.2 基于多关系隐式反馈置信度的排序学习问题定义
6.3 基于多关系隐式反馈置信度的排序学习推荐算法
6.3.1 模型构建
6.3.2 置信度计算
6.3.3 模型训练和参数学习
6.4 实验与分析
6.4.1 数据集说明
6.4.2 评价指标
6.4.3 对比算法
6.4.4 参数设置
6.4.5 性能对比
6.4.6 置信度计算方法的影响
6.4.7 不同阈值取值的影响
6.5 本章小结
7 总结与展望
7.1 论文总结
7.2 研究展望
参考文献
个人简历、在学期间发表的学术论文与研究成果
致谢
本文编号：3922641
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3922641.html