文档介绍：答辩人:张学胜
学号:SA08006093
老师:俞能海教授
专业:信息安全
中国科学技术大学硕士学位论文答辩
面向数据稀疏的协同过滤推荐算法研究
内容提纲
研究动机
研究背景
关键问题
研究内容
研究成果
融合争议度特征协同推荐
基于项目递归的协同推荐
协同过滤推荐应用
总结展望
论文总结
学术成果及参与科研项目
研究背景
博客
电子商务
SNS网站
百科全书(WIKI)
即时通讯
RSS
信息过载!
个性化推荐技术
个性化推荐技术
开题意见反馈
工作完成情况
下一步工作安排
学术成果
应用最广泛也是最成功的个性化推荐算法
协同过滤推荐算法
协同过滤推荐算法
基于记忆(Memory-based)的协同过滤推荐算法
基于用户(User-based)的协同过滤推荐算法
基于项目(Item-based)的协同过滤推荐算法
基于模型(Model-based)的协同过滤推荐算法
主要思想:寻找与目标用户(或项目)相似的一组用户(或项目) ,作为目标用户的最近邻居,最后通过这些邻居对目标用户进行推荐
关键问题
在众多的推荐系统中,用户涉及到的信息量往往很有限,用户的评分数据也很稀疏。很多的大型电子商务系统中,用户评分的项目一般不会超过项目总数的1%,这样必然导致评分矩阵的极度稀疏,从而使用户(或项目)之间的相似度计算误差很差,影响到最终的推荐结果。
数据稀疏问题
冷启动问题包括项目冷启动问题和用户冷启动问题。协同过滤推荐依靠用户对项目的评分数据产生推荐,因此当一个新项目刚加入系统的时候,由于没有任何用户对它进行评分,改项目肯定没法得到推荐;同样地,一个新用户刚加入到系统时,系统没有任何关于该用户的评分信息,也很难向用户产生准确的推荐。
冷启动问题
协同过滤推荐算法的计算量将随着系统用户和项目数目的增加而急剧增长。面对越来越多的用户和项目数据,传统的算法将遇到严重的扩展性问题。如果系统的实时性得不到保证,系统也就失去了作用。
扩展性问题
推荐系统中存在的一些项目,它们由于外在特性的不同被划分成不同的项目,然而在本质上它们是同一个项目,而传统的协同过滤算法无法辨别这些项目。
同一性问题
研究内容
基于项目的协同过滤推荐算法基本流程
目标
最近邻居集
加权预测
Target Item
Neighbor
Prediction
研究内容
数据稀疏情况下,相似度计算方法
数据稀疏情况下,预测评分方法
面向数据稀疏的协同过滤推荐算法研究
内容提纲
研究动机
研究背景
关键问题
研究任务
研究成果
融合争议度特征协同推荐
基于项目递归的协同推荐
协同过滤推荐应用
总结展望
论文总结
学术成果及参与科研项目