基于隱語(yǔ)義模型的個(gè)性化推薦算法的研究.pdf

1、推薦系統(tǒng)是解決信息過(guò)載的有效工具，它能根據(jù)用戶的歷史行為數(shù)據(jù)做出個(gè)性化推薦。隱語(yǔ)義算法作為一種經(jīng)典的推薦算法在研究和應(yīng)用中都取得了很大成功，但它依然存在一些問(wèn)題值得探討和研究。首先是算法在數(shù)據(jù)稀疏的情況下推薦準(zhǔn)確性較低，無(wú)法解決算法冷啟動(dòng)的問(wèn)題。其次是隱語(yǔ)義模型推薦算法的可擴(kuò)展性較差。算法參數(shù)需要進(jìn)行全量更新，計(jì)算量大，更新時(shí)間長(zhǎng)。
　　為了解決隱語(yǔ)義模型推薦算法在數(shù)據(jù)稀疏情況下推薦準(zhǔn)確性較低的問(wèn)題，本文提出一種融合用戶屬性信息的

2、隱語(yǔ)義模型，該模型將用戶的屬性信息融入傳統(tǒng)的隱語(yǔ)義模型中，即使在數(shù)據(jù)稀疏的情況下依然能夠根據(jù)用戶的屬性信息進(jìn)行推薦。針對(duì)隱語(yǔ)義模型的擴(kuò)展性較差的問(wèn)題，將改進(jìn)后的隱語(yǔ)義算法進(jìn)行并行處理，提高算法的可擴(kuò)展性。本文主要研究?jī)?nèi)容如下:
　　1、分析主流的推薦算法的優(yōu)缺點(diǎn)，包括基于內(nèi)容的推薦算法、協(xié)同過(guò)濾的推薦算法、基于網(wǎng)絡(luò)的推薦算法和模型混合的推薦算法。針對(duì)傳統(tǒng)隱語(yǔ)義模型算法在數(shù)據(jù)稀疏情況下推薦效果不佳的問(wèn)題，提出了融入用戶屬性信息的隱語(yǔ)

3、義模型推薦算法，在用戶歷史行為數(shù)據(jù)不足的情況下可以利用用戶的基本屬性信息來(lái)進(jìn)行推薦。通過(guò)邏輯回歸分類算法來(lái)度量屬性的重要性，根據(jù)用戶的屬性信息找出鄰域用戶，讓鄰域用戶參與推薦。實(shí)驗(yàn)結(jié)果表明，該算法在一定程度上能解決數(shù)據(jù)稀疏帶來(lái)的問(wèn)題。
　　2、為了解決傳統(tǒng)隱語(yǔ)義模型推薦算法的可擴(kuò)展性較差的問(wèn)題，本文設(shè)計(jì)并實(shí)現(xiàn)了一種基于Hadoop平臺(tái)的并行隱語(yǔ)義算法。算法將模型的訓(xùn)練、基于屬性預(yù)測(cè)評(píng)分以及產(chǎn)生推薦結(jié)果的過(guò)程分解為一系列的Map-R