實(shí)時(shí)推薦中精確性和實(shí)時(shí)性改進(jìn)算法研究.pdf

1、得益于互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，網(wǎng)絡(luò)上的數(shù)據(jù)呈指數(shù)增加。人們被海量數(shù)據(jù)所包圍以至于發(fā)現(xiàn)感興趣的信息愈加困難，推薦系統(tǒng)在這種“信息過(guò)載”的情形下應(yīng)運(yùn)而生。單個(gè)推薦模型具有各種局限性，研究人員通常使用一些組合方法將多個(gè)推薦模型進(jìn)行融合，利用多模型的優(yōu)點(diǎn)來(lái)彌補(bǔ)單模型的不足。另外，傳統(tǒng)的推薦模型需要定期更新模型，每次推薦的依據(jù)都是上次更新前的歷史數(shù)據(jù)，難以滿足實(shí)時(shí)推薦需求，而現(xiàn)實(shí)生活中推薦系統(tǒng)面臨的問(wèn)題更多是基于短時(shí)期內(nèi)的數(shù)據(jù)，這類(lèi)場(chǎng)景中的物品一般

2、具有短時(shí)效性，因此實(shí)時(shí)推薦變得愈加重要。本文的主要工作有以下幾個(gè)方面：
　?、俦疚难芯苛送扑]系統(tǒng)中常用的模型組合方法，并提出了一種混合多模型的協(xié)同過(guò)濾算法，在算法中提出了“虛擬鄰居物品”。該算法使用協(xié)同過(guò)濾的思想將多個(gè)模型進(jìn)行組合，克服了傳統(tǒng)基于物品的協(xié)同過(guò)濾算法的局限，可以有效提高推薦精度。矩陣分解模型和受限玻爾茲曼機(jī)模型是效果比較好的兩個(gè)單模型，本文主要選擇這兩個(gè)模型以及它們的一些擴(kuò)展版本進(jìn)行組合。實(shí)驗(yàn)中首先對(duì)四個(gè)單模型參數(shù)調(diào)

3、優(yōu)，然后對(duì)比四個(gè)單模型的效果，最后選擇效果最好的兩個(gè)模型通過(guò)本文所提算法進(jìn)行組合，并與常用的其他模型組合方法做對(duì)比實(shí)驗(yàn)。
　?、诒疚奶岢隽艘环N基于用戶行為權(quán)重的實(shí)時(shí)性改進(jìn)算法，通過(guò)時(shí)間窗口對(duì)最近一段時(shí)間內(nèi)的用戶行為建模，充分利用用戶行為數(shù)據(jù)的時(shí)間維度信息為不同時(shí)刻的行為賦予不同權(quán)重，使越靠近當(dāng)前時(shí)刻的行為權(quán)重越大，從而對(duì)推薦結(jié)果的影響也就越大，使推薦結(jié)果更能體現(xiàn)與用戶當(dāng)前行為的關(guān)聯(lián)性。最后通過(guò)實(shí)驗(yàn)驗(yàn)證該算法對(duì)推薦結(jié)果實(shí)時(shí)性的改進(jìn)。