基于时间上下文的改进协同过滤算法研究

《基于时间上下文的改进协同过滤算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、广东工业大学硕士学位论文（工学硕士）基于时间上下文的改进协同过滤算法研究姚小娇二〇一八年五月分类号：学校代号：11845UDC：密级：学号：2111504076广东工业大学硕士学位论文（工学硕士）基于时间上下文的改进协同过滤算法研究姚小娇指导教师姓名、职称：谭北海副教授学科(专业)或领域名称：控制科学与工程学生所属学院：自动化学院论文答辩日期：2018年5月ADissertationSubmittedtoGuangdongUniversityofTechnologyfortheDegreeofMaster（MasterofEngineeringScience）ResearchonTime

2、-awareImprovedCollaborativefilteringRecommenderAlgorithmCandidate:YaoXiaojiaoSupervisor:Prof.TanBeihaiMay2018SchoolofAutomationGuangdongUniversityofTechnologyGuangzhou,Guangdong,P.R.China,510006摘要摘要推荐系统就是为人们的选择提供一定的参考，帮助用户发现对他们有价值的信息。它们已成为电子商务和信息访问的基础应用，有效的修剪大量信息空间，以便用户直接面向那些最能满足其需求和偏好的项目。协同过滤是构建

3、推荐系统最流行的方法，并已成功应用于许多应用中。在协同过滤中，分析用户过去的行为以建立用户与项目之间的联系，以基于其他用户的意见向目标用户推荐项目，只需分析用户的历史行为数据（例如评分）,通常比其他推荐系统技术具有更好的性能。但是协同过滤面临着评分矩阵稀疏和冷启动的问题。针对以上问题，研究人员提出使用矩阵分解方法构建推荐系统。矩阵分解方法能够有效解决推荐系统中高度稀疏性问题，同时保证准确性。在推荐系统中，用户期望系统给出预测的理由，而不是给出“黑盒子”推荐。然而矩阵分解模型并不能很好的向用户解释推荐的理由，分解出来的用户和项目的每个维度无法用现实生活中的概念来解释，只能理解为潜在语义空间

4、。本研究提出将user-user邻域模型和矩阵分解模型进行融合，并在融合模型中加入时间上下文。该模型可以用来解决user-user邻域模型中数据稀疏性敏感的问题和矩阵分解模型中不能用户解释推荐理由的问题，并且提高推荐系统的预测准确性，可以给用户提供良好的使用体验。本文的主要工作内容如下：1.对推荐系统的背景进行了研究，然后介绍了传统的推荐算法：基于内容的推荐算法，基于物品的协同过滤算法，基于用户的协同过滤算法，矩阵分解模型，深入研究了这些算法的原理，对这些算法进行了详细的说明。并对比这些算法的优缺点：协同过滤算法具有很好的推荐理由，可以提高用户的体验感受，超出提高准确度所能达到的水平，它

5、的缺点是存在存在冷启动和数据稀疏性问题；矩阵分解模型具有高扩展性和准确性，可以缓解数据稀疏性的问题。但是矩阵分解算法并不知道如何向用户解释它的推荐理由。2.由于互联网使用量的快速增长，推荐项目更新的很快，导致item-item邻域模型很不稳定。因此本中将user-user模型和矩阵分解模型进行融合，用来缓解协同过滤算法中数据稀疏的问题和提高推荐的质量。并用实验验证了提出的模型的推荐准确度较传统的模型的推荐准确度要高。而且在movieLens-100k数据稀疏性很高的情I广东工业大学硕士学位论文况下，也能很好的进行推荐。3.时间上下文无疑是最重要的上下文之一，用户偏好会随着时间而变化，物品

6、的流行度也会随着时间变化。所以本文提出将时间上下文融入到改进的模型中可以提高推荐系统的准确度，并在MovieLens数据集上进行了实验，与传统的推荐系统方法进行了对比，准确度有了显著提高。关键词：user-user模型；矩阵分解模型；时间上下文信息；数据稀疏；准确度IIAbstractAbstractTherecommendersystemistoprovideacertainreferenceforpeople'schoicesandhelpthemfindvaluableinformation.Theyhavebecomethebasicapplicationofe-commerce

7、andinformationaccess,effectivelypruningalargeamountofinformationspacesothatuserscandirectlyfacethoseprojectsthatbestmeettheirneedsandpreferences.Collaborativefilteringisthemostpopularmethodofbuildingrecommendationsyste