学位论文 > 优秀研究生学位论文题录展示

基于广义可加logistic模型的信息推荐技术

作　者: 郭燚
导　师: 杨立洪
学　校: 华南理工大学
专　业: 概率论与数理统计
关键词: 信息推荐协同过滤 Logistic模型广义可加模型
分类号: TP391.3
类　型: 硕士论文
年　份: 2011年
下　载: 50次
引　用: 0次
阅　读: 论文下载

内容摘要

随着Internet的飞速发展，近年兴起的电子商务系统对企业的服务提出了诸多新要求，其中最为突出的一个问题就是商品选购的个性化推荐。由于互联网的信息超载问题日益严重，用户本身有限的决策能力与海量增长的信息是极不相适应的。在这种背景下，信息推荐技术为提升信息整合能力提供了一个新的思路。本文主要研究基于广义可加Logistic模型的信息推荐技术，并将该技术应用于某互联网企业电子商务推荐系统，重点考察由于变量非线性函数关系带来的估计误差，并研究了系统冷启动造成的不平衡问题。研究结果表明，基于广义可加Logistic模型的信息推荐算法，可以适应变量的非线性函数关系，并且在正负例不平衡情况下也有较好表现，提高了推荐系统的推荐精度与计算效能，具有一定的学术价值与应用价值。本文主要研究成果如下：（1）提出基于经典Logistic模型的信息推荐算法。首先将信息推荐考虑成一个二元选择问题，从而提出基于Logistic模型的信息推荐，其次介绍了Logistic模型及其参数估计方法，并介绍了在重复观测下Logistic模型及其参数估计。并用对某企业提供的电子商务数据集中的4719条客户记录进行了实验，给出了实证研究结果。（2）提出基于广义可加Logistic模型的信息推荐算法，研究了参数估计的Localscoring算法，并给出推荐结果。其次，在样本集上进行重复抽样构造多个不平衡数据集，分别测试模型。结果显示，改进后的模型不仅大大提高推荐准确率，而且用不平衡数据集训练的模型系数也比较稳定。最后，简单讨论基于统计的信息推荐模型算法效率、时变性方面的问题，提出了未来研究的方向。

全文目录

摘要  5-6
ABSTRACT  6-10
第1章绪论  10-16
  1.1 研究背景及意义  10
  1.2 国内外研究现状  10-16
    1.2.1 信息过滤技术与推荐系统简介  10-12
    1.2.2 用户信息建模  12
    1.2.3 过滤算法研究  12-14
    1.2.4 重点与难点  14-15
    1.2.5 本文研究内容与章节安排  15-16
第2章信息推荐技术相关模型与算法综述  16-26
  2.1 信息推荐技术的基本框架  16
  2.2 基于内存的信息推荐算法  16-22
    2.2.1 相似性定义  17-19
    2.2.2 基于最近邻（K-Nearest-neighbor）的信息推荐  19-20
    2.2.3 基于项目的信息推荐  20-22
  2.3 协同过滤算法  22-23
  2.4 基于统计模型的信息推荐算法  23-25
  2.5 本章小结  25-26
第3章基于经典 LOGISTIC 模型的信息推荐  26-41
  3.1 问题的提出  26-28
  3.2 LOGISITIC 模型及其参数估计  28-32
    3.2.1 Logistic 模型的定义  28-29
    3.2.2 参数的极大似然估计  29-31
    3.2.3 重复观测下 Logistic 模型及其参数估计  31-32
  3.3 实验  32-40
    3.3.1 实验数据集  32-33
    3.3.2 各变量描述性分析  33-34
    3.3.3 模型分析  34-36
    3.3.4 结果评价  36-40
  3.4 本章小结  40-41
第4章基于广义可加 LOGISTIC模型的信息推荐  41-52
  4.1 问题的提出  41
  4.2 模型定义  41-43
  4.3 参数估计的 LOCAL SCORING 算法  43-45
  4.4 广义可加 LOGISTIC 模型参数估计  45-46
  4.5 实验  46-51
    4.5.1 数据分析  46-48
    4.5.2 结果评价  48-50
    4.5.3 不平衡数据测试  50-51
  4.6 本章小结  51-52
总结  52-53
参考文献  53-57
致谢  57-58
附件  58

基于广义可加logistic模型的信息推荐技术

内容摘要

全文目录

相似论文