推薦算法個(gè)性化關(guān)鍵技術(shù)研究.pdf

1、推薦系統(tǒng)是目前解決信息過載問題最為有效的技術(shù)之一，已經(jīng)被廣泛研究并應(yīng)用于工業(yè)界的各個(gè)領(lǐng)域，并產(chǎn)生了巨大的經(jīng)濟(jì)價(jià)值。已有的個(gè)性化推薦算法往往注重于使用單一模型來對(duì)所有用戶的潛在興趣進(jìn)行建模分析，然而，這種單一模型并不是“one-size-fit-all”的，其往往忽略了用戶個(gè)體之間的差異性對(duì)推薦性能的影響。針對(duì)該問題，本文將圍繞推薦算法個(gè)性化所涉及到的關(guān)鍵技術(shù)，分別從推薦算法參數(shù)個(gè)性化和推薦算法個(gè)性化兩個(gè)層面展開相關(guān)工作。首先，在考慮到用

2、戶偏好之間差異性的前提下，基于原始的Slope One算法，提出了一種切實(shí)可行的參數(shù)個(gè)性化推薦算法（Slopeα算法），通過可調(diào)節(jié)斜率參數(shù)α來實(shí)現(xiàn)對(duì)不同用戶的合理推薦，以此來實(shí)現(xiàn)推薦算法在參數(shù)級(jí)別上的個(gè)性化。進(jìn)而，通過對(duì)用戶選擇偏好的分析，利用不同協(xié)同過濾算法所具有的特點(diǎn)，提出了一種基于協(xié)同過濾的算法個(gè)性化推薦方法，通過對(duì)用戶特征的分析來為不同用戶選擇最佳的推薦算法進(jìn)行推薦，從而初步實(shí)現(xiàn)了推薦算法在算法層面上的個(gè)性化。通過實(shí)驗(yàn)分析，驗(yàn)證

3、了所提兩種方法在推薦性能上的有效性，兩者的推薦精度都要優(yōu)于已有的單一推薦算法。
　　本文的主要工作如下：
　　1.針對(duì)已有的個(gè)性化推薦算法往往忽略了用戶差異性對(duì)推薦性能的影響，提出了一種基于Bi-Polar Slope One算法的參數(shù)個(gè)性化推薦方法，以實(shí)現(xiàn)推薦算法在參數(shù)級(jí)別上的個(gè)性化。該算法引入了可以調(diào)整的斜率參數(shù)α，通過對(duì)用戶評(píng)分偏好差異性的研究，為每個(gè)用戶選擇不同的算法參數(shù)。實(shí)驗(yàn)結(jié)果表明算法的準(zhǔn)確度得到有效提升，MAE

4、和RMSE值最高分別降低2.74％和1.42%，而且個(gè)性化參數(shù)的最優(yōu)值隨著數(shù)據(jù)集的增長能保持一定的穩(wěn)定性。
　　2.針對(duì)不同推薦算法具有不同的特點(diǎn)，對(duì)于不同用戶的適用性不同，單一算法并不能滿足所有用戶需要的缺點(diǎn)，區(qū)別于已有的個(gè)性化推薦是使用特定算法對(duì)所有用戶的潛在興趣進(jìn)行建模，本文對(duì)用戶行為模式和不同推薦算法的特點(diǎn)進(jìn)行挖掘，提出了一種基于UCF和ICF的算法個(gè)性化推薦方法，用來實(shí)現(xiàn)推薦系統(tǒng)在算法層面的個(gè)性化。實(shí)驗(yàn)結(jié)果驗(yàn)證了新算法的