论文部分内容阅读
随着互联网以及电子商务的飞速发展，用户陷入了一种信息迷失的状态，面对海量的商品用户往往在找到感兴趣的商品之前已经非常沮丧、烦躁，因此很可能会放弃此次购物。解决该问题的有效途径一般认为是个性化推荐，协同过滤技术在推荐系统发展初期效果非常不错，但随着用户数目和商品种类的不断增加，打分矩阵变得越来越稀疏，传统的相似度计算方法会产生不准确的相似邻居，从而导致推荐质量下降。另一方面影响推荐质量的因素是很多的，而当前的个性化推荐算法不是单一算法，就是几个算法的简单组合，这些算法普遍准确性不高。集成学习通过集成多个弱学习器解决同一个问题，具有很好的泛化能力和稳定性，目前集成学习已经广泛应用到了很多领域，在最近几年的Netflix、Learningto Rank比赛中，顶级团队大多数使用的也是集成学习技术。因此若能将集成学习技术与个性化推荐相结合，必定能提高推荐系统的准确率。在电子商务快速发展的时代，提高个性化推荐系统的准确率是人们永远的追求目标，针对这一目标，本文的主要研究工作是：1、对协同过滤中的传统相似度算法进行了分析，根据它们存在的缺点，提出了一种改进的协同过滤方法PCS算法。该算法使用决策树自适应调整分割属性的特点，将决策树用于用户的分组上，因此就产生了一种寻找相似邻居的新方法。用户分组后只在组内进行个性化推荐，避免了计算所有用户间的相似度，提高了算法的在线可扩展性。另一方面，针对Pearson相似度存在的缺点，从流行度、用户共同打分商品数和用户打分差异度三方面对Pearson进行了改进，提高了推荐算法的准确性。2、针对目前大多数的算法都是从某一方面考虑提高推荐的准确率，而影响推荐质量的因素是很多的，集成学习算法SoftBoost集成多个弱学习器解决同一个问题，且该算法是最大化软间隔算法，能够避免难分数据的影响，有很强的泛化能力，因此本文将其和个性化推荐相结合，使用SoftBoost算法作为框架的同时，本文使用RankBoost中基于对的思想重新定义了间隔和边界，提出了SoftRankBoost算法。