基于熱傳導(dǎo)和LDA的推薦系統(tǒng)的研究和實(shí)現(xiàn).pdf

1、隨著互聯(lián)網(wǎng)的快速發(fā)展，大數(shù)據(jù)逐漸滲透到了各行各業(yè)，如何從海量的數(shù)據(jù)中檢索出有用的信息，一直以來都是人們研究的重要課題。最初的信息檢索技術(shù)，要求人們輸入關(guān)鍵字，然后返回相關(guān)的信息，不過并不能滿足人們對于結(jié)果的個(gè)性化需求。在此背景之下，推薦系統(tǒng)應(yīng)運(yùn)而生，它能夠利用用戶的潛在喜好，推薦相關(guān)的信息。
　　推薦系統(tǒng)自開始到現(xiàn)在，已經(jīng)產(chǎn)生了大量相關(guān)應(yīng)用和研究工作。經(jīng)典的推薦算法有基于內(nèi)容的推薦、基于關(guān)聯(lián)規(guī)則的推薦、基于協(xié)同過濾的推薦等，可是隨

2、著進(jìn)一步的發(fā)展，這些算法越來越不能滿足個(gè)性化的推薦的需求，因?yàn)榇蟛糠炙惴ú]有考慮推薦的上下文信息?，F(xiàn)有的推薦算法往往根據(jù)用戶過去的喜好，并計(jì)算用戶或者物品的相似性進(jìn)行推薦，往往存在數(shù)據(jù)稀疏和冷啟動的問題，而且推薦結(jié)果的多樣性無法得到保證。為此，本文研究了最新的熱傳導(dǎo)算法，結(jié)合用戶的興趣對其做了改進(jìn)，然后對用戶的興趣進(jìn)行了建模，并提出一種興趣擴(kuò)展的方法，最后為了達(dá)到更高推薦性能的要求，提出了混合推薦的策略。
　　首先，論文分析了推

3、薦系統(tǒng)中二部圖的相關(guān)性質(zhì)，對影響用戶決策的行為因素進(jìn)行了研究，在考慮用戶的“活躍性”和用戶興趣的基礎(chǔ)之上，對傳統(tǒng)的基于二部圖的熱傳導(dǎo)算法進(jìn)行了改進(jìn)，在兩大公測數(shù)據(jù)集上的實(shí)驗(yàn)表明，改進(jìn)后的算法能夠得到比原先算法更高的準(zhǔn)確率和更加豐富的結(jié)果。
　　其次，結(jié)合傳統(tǒng)的基于概率主題模型的推薦算法，對用戶的興趣進(jìn)行建模，可是興趣存在易變性，用現(xiàn)有的算法來得到的用戶的興趣，只能得到用戶當(dāng)前的興趣分布，或者得到相似的人的興趣，不能預(yù)測和挖掘用戶新