基于用户-产品二分网统计特性的个性化推荐算法研究

VIP免费

3.0 刘畅 2024-11-07 4 4 2.82MB 80 页 15积分

侵权投诉

摘要

伴随着互联网与 Web 2.0 技术的迅猛发展，电子商务、微博和社交网络等新

一代网络应用快速进入人们的日常生活中，极大的便利了我们的生活，但同时也

带来了海量的繁杂信息，人们选择自己所需要的信息已经变成了一个巨大挑战。

个性化推荐系统是为解决信息过量问题而提出的一个有效的工具和方法，它通过

分析用户已经选择或者收集的产品历史信息，挖掘并预测用户潜在的兴趣和爱

好，进而向用户推荐可能感兴趣的信息或者产品。

本文首先分析了个性化推荐系统产生的背景和个性化推荐系统的发展带来的

理论和社会意义，梳理了国内外个性化推荐系统的实际应用情况和当前个性化推

荐系统的研究热点及其面临的问题。接着介绍了相关的复杂网络理论相关概念，

并着重总结了个性化推荐系统的发展成果和典型的基于网络结构的个性化推荐算

法。随后，将本文中采用的数据集和算法的评价指标等进行介绍。最后，本文立

足于用户-产品二分网络，并从研究统计属性的角度出发，以用户集聚系数、用户

关联网络及局部热传导为切入点提出三个各不相同却又相互联系的个性化推荐算

法。

基于用户集聚系数的协同过滤算法。在用户-产品二分网中，用户集聚系数是

度量目标用户的所有邻居用户的特点或者兴趣爱好相同程度的一个统计量，本文

把二部分图中的用户集聚系数引入协同过滤算法的相似性计算中，考察了用户-产

品二部分网络的集聚系数对于协同过滤算法的影响。通过在两个数据集上的数值

分析，我们发现引入用户集聚系数统计属性后可以大幅度提高推荐结果的准确度

和推荐列表多样性。最后我们还从数据集稀疏度变化的角度探究新算法的性质。

基于用户关联网络的协同过滤算法。经典的协同过滤算法通过映射用户-产品

二分网络来计算用户的关联网络。实证统计发现大多数用户关联网络都接近于全

联通，且具有非常大的集聚系数，进一步分析发现这是由于二部分图中的少数度

大产品造成的。本文提出基于用户关联网络二阶信息的改进协同过滤算法。研究

了用户的主流产品喜好、特殊产品喜好及噪声产品喜好。

基于二部图局部信息的热传导推荐算法。文章研究了在局部节点相似性下经

典的热传导推荐算法。首先介绍九大相似性评价方法，通过比较分析给出推荐效

果最好的相似性定义，在此基础上提出通过删除多余信息提高小度数节点推荐能

力的改进热传导算法。

目前，由于个性化推荐具有的理论意义和产生的巨大经济效益，已经成为数

学，计算机科学，管理科学，系统科学和物理学，尤其是复杂网络领域里的研究

热点。放眼未来，个性化推荐系统的研究和发展必将进入一个更加蓬勃的发展

期，我们也将在下一步的研究中继续关注用户兴趣的准确度量及二分网的属性研

究。

关键词: 用户-产品二部图协同过滤算法物质扩散热传导集聚系数用

户关联网络局部信息

ABSTRACT

Along with the rapid development of the Internet and Web 2.0 technologies, e-

commerce, twitter and social network quick access to a new generation of network

applications in people's daily lives, which brought the great convenience to our lives,

but also brought a dilemma of information overload, therefore, choosing their own

information has become a huge challenge for ordinary people. Personalized

recommendation system is an effective tool and method to solve the information

overload problem. By analyzing the historical information, personalized

recommendation systems mine and predict user interests and hobbies, and then

recommended the interested in information or product to the users.

This paper firstly analyzes the background and emergence of personalized

recommender systems, and theory and social significance as well, combing the actual

application of the domestic and foreign personalized recommendation. Then we

introduce the complex network theory concepts and focus summed up the results of the

development of the personalized recommendation system and typical network structure-

based personalized recommendation algorithm. Subsequently, the data sets and metrics

of the algorithms used were introduced. Finally, based on the user - object bipartite

networks, and from the point of view of the study the statistical properties of the user

clustering coefficient, user correlation network and the local information, we present

three different recommender systems.

Collaborative filtering algorithm based on user clustering coefficient. In user -

object bipartite network, user clustering coefficient measure all neighbors user's

characteristics or interest of target users. In this part, the user clustering coefficient is

introduced to the collaborative filtering systems, in order to investigate users clustering

coefficient for collaborative filtering algorithm. Through numerical analysis on the two

data sets, we found that the introduction of user clustering coefficient statistical

properties can significantly improve the accuracy of the recommended results and

recommend a list of diversity. Finally, we also change the angle from the sparsity of the

data set to explore the nature of the new algorithm.

The study of user correlation network in collaborative filtering algorithm. Classical

collaborative filtering algorithm calculate the user correlation network through

projecting user-object bipartite network. Empirical Statistics found that most users

connected network is close to full connection, and has a very large clustering coefficient,

further analysis showed that the result of this is due to the small number of degrees in

the second part of network. In this part, the second-order information based on user

correlation network is embedded into the collaborative filtering algorithm. Mainstream

products, special products and noise product preferences are identified.

Heat conduction bipartite graph of local information recommendation algorithm.

The research at the local node similarity classic heat conduction recommendation

algorithm. First introduced nine similarity evaluation method, recommended by the best

similarity definition is given through a comparative analysis based on the improved heat

conduction algorithm to improve the ability of small degree nodes Recommended by

removing redundant information.

Currently, for the personalized recommendation has theoretical significance and

produce huge economic benefits, it has become math, computer science, management

science, systems science and physics, especially in the field of complex networks

research focus. Looking to the future, the research and development of personalized

recommendation system will enter a more vigorous development period, we will also

continue to focus on in the next step of the study accurately measure user interest and

bipartite network properties.

Key words: User-object bipartite network; Collaborative Filtering

Algorithm; Mass diffusion; Heat conduction; Clustering

coefficients; User correlations network; Local information

中文摘要

ABSTRACT

第一章绪论 ................................................................................................................ 1

1.1 研究背景 ............................................................................................................. 1

1.1.1 互联网的快速发展 .................................................................................... 1

1.1.2 信息繁杂的困境 ........................................................................................ 2

1.2 研究意义 ............................................................................................................. 3

1.2.1 理论意义 .................................................................................................... 4

1.2.2 实际意义 .................................................................................................... 5

1.3 个性化推荐系统的发展现状 ............................................................................. 6

1.3.1 个性化推荐广泛应用与研究 .................................................................... 6

1.3.2 个性化推荐发展中面临的问题 ................................................................ 8

1.4 本文的主要工作 ............................................................................................... 10

1.4.1 本文的贡献 .............................................................................................. 10

1.4.2 本文的结构 ............................................................................................... 11

第二章个性化推荐系统相关背景理论简介 ........................................................... 14

2.1 复杂网络理论简介 ........................................................................................... 14

2.2 用户-产品二部分图 .......................................................................................... 14

2.2.1 二部图简介 .............................................................................................. 14

2.2.2 二部图的投影 .......................................................................................... 16

2.2 二部图相关统计属性简介 ............................................................................... 18

2.2.1 度及相关属性 .......................................................................................... 18

2.2.2 点强度分布 .............................................................................................. 19

2.2.3 异配性 ...................................................................................................... 19

2.2.4 集聚系数 .................................................................................................. 19

2.2.5 节点平均距离 .......................................................................................... 20

2.3 个性化推荐算法 ............................................................................................... 21

2.3.1 协同过滤系统 .......................................................................................... 21

2.3.2 基于内容的推荐系统 .............................................................................. 25

2.3.3 基于网络结构的推荐算法 ...................................................................... 28

2.3.4 其他推荐算法 .......................................................................................... 28

2.4 典型的基于网络结构的推荐算法 ................................................................... 30

2.4.1 基于二部分图资源分配的推荐算法 ...................................................... 30

2.4.2 基于传播的用户相似性度量 .................................................................. 31

2.4.3 基于二部图中的度关联的推荐算法 ...................................................... 32

2.4.4 基于高阶相似性的推荐算法 .................................................................. 32

2.4.5 基于有向相似性的推荐算法 .................................................................. 34

第三章个性化推荐的数据与评价指标 ................................................................... 36

3.1 数据集介绍 ....................................................................................................... 36

3.1.1 MovieLens ................................................................................................ 36

3.1.2 Netflix....................................................................................................... 37

3.1.3 Delicious................................................................................................... 37

3.1.4 Amazon..................................................................................................... 38

3.2 算法评价指标 ................................................................................................... 39

3.2.1 准确度 ...................................................................................................... 42

3.2.2 流行性 ...................................................................................................... 42

3.2.3 多样性 ...................................................................................................... 43

3.2.4 准确率与召回率 ...................................................................................... 43

3.2.5 F 度量 ....................................................................................................... 44

第四章集聚系数对协同过滤算法的影响研究 ....................................................... 45

4.1 集聚系数 ........................................................................................................... 45

4.2 产品集聚系数对协同过滤算法的影响研究 ................................................... 46

4.3 用户集聚系数对协同过滤算法的影响研究 ................................................... 47

4.4 数值结果分析 ................................................................................................... 48

4.4.1 稀疏度为 90 时的结果 ............................................................................ 48

4.4.2 稀疏度变化时的结果 .............................................................................. 50

4.5 总结 ................................................................................................................... 51

第五章用户关联网络对协同过滤算法的影响研究 ............................................... 52

5.1 用户关联网络研究 ........................................................................................... 52

5.1.1 用户关联网络简介 .................................................................................. 52

5.1.2 用户关联网络统计属性研究 .................................................................. 52

5.2 基于用户关联网络的协同过滤算法 ............................................................... 55

5.3 模拟结果分析 ................................................................................................... 56

5.4 总结 ................................................................................................................... 58

第六章二部图局部信息对热传导推荐算法的影响研究 ....................................... 60

6.1 基于热传导的推荐算法 ................................................................................... 60

6.2 基于局部信息的九大相似性 ........................................................................... 61

6.2.1 Adamic-Adar 指数（AA）...................................................................... 61

6.2.2 共有邻居（CN） .................................................................................... 61

6.2.3 Hub Promoted 指数（HP1） .................................................................. 61

6.2.4 Jaccard 指数（JAC） .............................................................................. 61

6.2.5 Leicht-Holme-Newman 指数（LHN） ................................................... 61

6.2.6 Searensen 指数（SEA） ......................................................................... 62

6.2.7 Salton 指数（SAL） ............................................................................... 62

6.2.8 基于随机游走的指数（RW） ................................................................ 62

6.2.9 基于局部热传导的指数（HC） ............................................................ 62

6.3 HC 数值模拟结果 ............................................................................................. 62

6.4 改进的 HC 数值模拟结果 ................................................................................ 63

6.5 总结和讨论 ....................................................................................................... 66

第七章结论与展望 ................................................................................................... 67

参考文献 ........................................................................................................................ 69

在读期间公开发表论文和承担科研项目及取得的成果 ............................................ 74

致谢 ............................................................................................................................. 75

第一章绪论

本章首先介绍了本毕业论文的研究背景以及本课题的理论实际意义，然后介

绍了国内外对个性化推荐课题的研究进展和出现的问题，最后给出了本论文的主

要工作和组织结构。

1.1 研究背景

1.1.1 互联网的快速发展

随着计算机和网络技术的迅速发展，我们生存的社会正在经历和面临着方方

面面的巨大变革。以计算机为基础的国际互联网（Internet）已经成为一个规模巨

大的、广泛分布的全球信息服务中心，并深刻地影响着人们的生活、工作、学习

等。人们利用网络进行各样的活动，比如搜索资料，听音乐，网上购物等。根据

中国互联网络信息中心（CNNIC）的统计资料显示我国目前的网民数量居于全球

第一位，并且在 2011 年时已经突破了 5亿，互联网的普及率已经达到 38%，如

图1-1 所示，并且还处在不断的增长之中[1]。

图1-1 我国互联网网民人数及互联网普及率

互联网从最初的美国军用网络 ARPANET 发展至今，主要经历了三个发展阶

段。最先，互联网对于用户来说是一种媒介，起着一种信息传播的渠道作用，这

一时期的应用主要是基于 Web 1.0 技术的，比如网页搜索引擎、网站、数据库等

服务，通过互联网媒介来突破物理和时空的限制，帮助人们来传递信息。博客的

出现标志着进入了社会网络阶段，在这一阶段 Web 2.0 的概念逐步深入人心，互

联网为用户带来了真正的个性化、去中心化和信息自主权的丰富体验，主要应用

包括社交网络应用。如图 1-2，目前互联网已经全面迎来 Web 2.0 时代，未来将进

一步由 Web 2.0 向Web 3.0 过渡。这三个阶段的互联网特征分别为：

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

15 积分 4人已下载

立即下载 VIP免费下载

摘要：

摘要伴随着互联网与Web2.0技术的迅猛发展，电子商务、微博和社交网络等新一代网络应用快速进入人们的日常生活中，极大的便利了我们的生活，但同时也带来了海量的繁杂信息，人们选择自己所需要的信息已经变成了一个巨大挑战。个性化推荐系统是为解决信息过量问题而提出的一个有效的工具和方法，它通过分析用户已经选择或者收集的产品历史信息，挖掘并预测用户潜在的兴趣和爱好，进而向用户推荐可能感兴趣的信息或者产品。本文首先分析了个性化推荐系统产生的背景和个性化推荐系统的发展带来的理论和社会意义，梳理了国内外个性化推荐系统的实际应用情况和当前个性化推荐系统的研究热点及其面临的问题。接着介绍了相关的复杂网络理论相关概念...

展开>> 收起<<

基于用户-产品二分网统计特性的个性化推荐算法研究.pdf

共80页,预览8页

还剩页未读，继续阅读

基于用户-产品二分网统计特性的个性化推荐算法研究

相关推荐

开通VIP享超值会员特权

作者详情

相关内容

推荐作者

热门标签

举报选择: