引入话题模型的协同过滤推荐算法研究

发布时间：2017-04-06 18:22

  本文关键词：引入话题模型的协同过滤推荐算法研究，由笔耕文化传播整理发布。

【摘要】：随着互联网的兴起和信息技术的不断发展,人们正进入一个高度信息化的时代。传统的搜索引擎技术已经无法满足用户对个性化信息的需求,也无法使得商户为用户提供个性化的商品推荐。为了满足信息供应商和消费者的双重需求,推荐系统应运而生。然而,传统的协同过滤推荐算法只考虑了用户和物品的评分数据,而忽略了用户和物品相关的内容信息,例如评分附带的评论内容、物品的内容等。这些内容信息中包含大量用户偏好和物品自身特征信息,对提高推荐系统的准确度有着重要意义。目前,在文本建模领域,话题模型(例如,LDA)是最成功的统计学习方法。因此,本文主要研究如何将话题模型引入到传统的协同过滤推荐算法中。首先,为了同时挖掘嵌入在评分和评论中的用户偏好信息,本文提出了一种基于用户评分和评论画像的贝叶斯推荐模型(URRP)。该模型可以将传统的协同过滤推荐算法和话题模型进行无缝连接。通过引入评论话题,用户的潜在评分态度可以用话题进行解释,更加直观,并且推荐系统常常遇到的“冷启动”问题也可以得到一定程度的解决。本文在25个真实的Amazon数据集上进行了科学的实验,实验结果表明URRP模型相较于其他几种目前最先进的推荐算法获得了更好的推荐准确率。此外,用户的兴趣及其关注的话题会随着时间动态变化,这一特性对用户在电子商务和社交媒体平台的行为产生着重大的影响。因此,设计一个能够自适应用户兴趣点和话题动态变化特点的智能推荐系统,已经成为推荐领域的一个具有十分重要意义的研究课题。基于此,本文基于集合因式分解提出了一种新颖的动态话题感知推荐模型(TTARM),并在两个真实的数据集CiteULike和MovieLens上进行了科学的对比实验,验证了TTARM模型的有效性。
【关键词】：推荐系统 话题模型 协同过滤 矩阵分解
【学位授予单位】：北京理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要5-6
• Abstract6-9
• 第1章 绪论9-15
• 1.1 本论文研究的目的和意义9-10
• 1.2 国内外研究现状及发展趋势10-12
• 1.2.1 国内外研究现状10-11
• 1.2.2 研究趋势11-12
• 1.3 本论文的工作12-13
• 1.4 论文的组织结构13-15
• 第2章 推荐系统技术综述15-23
• 2.1 基于内容过滤的推荐算法15-16
• 2.2 基于协同过滤的推荐算法16-20
• 2.2.1 基于近邻的方法17-18
• 2.2.2 隐语义模型18-20
• 2.3 推荐任务及评测指标20-23
• 2.3.1 评分预测21
• 2.3.2 Top-k推荐21-23
• 第3章 基于用户评分和评论画像的贝叶斯推荐模型23-37
• 3.1 背景知识23
• 3.2 问题定义23-25
• 3.2.1 Latent Dirichlet Allocation24-25
• 3.3 URP模型25-26
• 3.4 URRP模型26-27
• 3.5 参数估计27-31
• 3.6 评分预测31-32
• 3.7 实验研究32-35
• 3.7.1 数据集32
• 3.7.2 对比算法和评价指标32
• 3.7.3 实验安装32-33
• 3.7.4 实验结果分析33-34
• 3.7.5 话题剖析34-35
• 3.8 本章小结35-37
• 第4章 基于集合因式分解的动态话题感知推荐模型37-51
• 4.1 动态话题感知的推荐算法37-40
• 4.1.1 动态推荐算法37-39
• 4.1.2 引入话题模型39-40
• 4.2 参数估计40-42
• 4.3 实验研究42-49
• 4.3.1 实验数据集42-43
• 4.3.2 评价指标43-44
• 4.3.3 对比方法44-45
• 4.3.4 实验安装45-46
• 4.3.5 实验结果分析46-48
• 4.3.6 参数学习48-49
• 4.4 本章小结49-51
• 结论51-53
• 参考文献53-59
• 攻读学位期间发表论文与研究成果清单59-61
• 攻读学位期间参与的项目61-63
• 致谢63-64

【相似文献】

中国期刊全文数据库 前10条

1 徐义峰;徐云青;刘晓平;;一种基于时间序列性的推荐算法[J];计算机系统应用;2006年10期

2 余小鹏;;一种基于多层关联规则的推荐算法研究[J];计算机应用;2007年06期

3 张海玉;刘志都;杨彩;贾松浩;;基于页面聚类的推荐算法的改进[J];计算机应用与软件;2008年09期

4 张立燕;;一种基于用户事务模式的推荐算法[J];福建电脑;2009年03期

5 王晗;夏自谦;;基于蚁群算法和浏览路径的推荐算法研究[J];中国科技信息;2009年07期

6 周珊丹;周兴社;王海鹏;倪红波;张桂英;苗强;;智能博物馆环境下的个性化推荐算法[J];计算机工程与应用;2010年19期

7 王文;;个性化推荐算法研究[J];电脑知识与技术;2010年16期

8 张恺;秦亮曦;宁朝波;李文阁;;改进评价估计的混合推荐算法研究[J];微计算机信息;2010年36期

9 夏秀峰;代沁;丛丽晖;;用户显意识下的多重态度个性化推荐算法[J];计算机工程与应用;2011年16期

10 杨博;赵鹏飞;;推荐算法综述[J];山西大学学报(自然科学版);2011年03期

中国重要会议论文全文数据库 前10条

1 王韬丞;罗喜军;杜小勇;;基于层次的推荐:一种新的个性化推荐算法[A];第二十四届中国数据库学术会议论文集（技术报告篇）[C];2007年

2 唐灿;;基于模糊用户心理模式的个性化推荐算法[A];2008年计算机应用技术交流会论文集[C];2008年

3 秦国;杜小勇;;基于用户层次信息的协同推荐算法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

4 周玉妮;郑会颂;;基于浏览路径选择的蚁群推荐算法:用于移动商务个性化推荐系统[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年

5 苏日启;胡皓;汪秉宏;;基于网络的含时推荐算法[A];第五届全国复杂网络学术会议论文（摘要）汇集[C];2009年

6 梁莘q，

本文编号：289440