社会化媒体中若干时空相关的推荐问题研究.docVIP

　　社会化媒体中若干时空相关的推荐问题研究----媒体管理论文 --第一章 序论 1.1 研究背景与意义 随着互联网和信息技术的不断发展成熟，我们人类已进入了一个全新的信息化时代，互联网正在延伸到我们社会和生活中的每一个角落，深刻地影响和改变着我们人类生存和生活的方式。由于互联网具有信息交流的开放性、双向性、广泛性以及低门槛等特点，尤其是进入社会化媒体时代以来，互联网中的信息量以指数规律迅速增长，从而形成了 “ 信息爆炸”（Information Explosion）。对于普通大众用户而言，互联网中的 “信息过载”（Information Overload1?）问题日益严重。 人们有时经常将二者混淆，互联网里还有很多除万维网之外的服务，尤其是随着社会化媒体的兴起（如图1.1所示），比如视频网络服务，社交网络服务（SNS），基于位置的服务（LBS）以及各种移动端的社会化媒体应用。Chris Anderson 所担心的万维网大势将去，是指视频、社交网络、基于位置的服务等各种社会化媒体抢走了传统万维网的流量和用户，并不是说互联网（Inter）已死，所以文章的标题是 “The edia Marketing4?）已成为众商家最重要的营销手段。 1.2 推荐系统研究的历史与现状 在这个小节中，首先介绍了推荐系统的研究历史脉络，然后介绍推荐系统领域的研究现状。 推荐系统的研究已经有了 20 多年的历史，其中早期的研究和其他领域的研究相关，比如认知科学（cognitive science）[1]、信息检索（information retrieval）[2]、预测理论[3]，甚至与管理科学也有关联[4]。协同过滤（Collaborative Filtering）算法，作为推荐系统领域核心的算法，最早由 Goldberg 等人在 1992 年的一篇学术论文中[5]提出。受该文章的影响，到 20 世纪 90 年代中期，一些研究人员开始研究如何利用用户对物品5?的显性反馈信息（比如用户对物品的评分数据）来预测用户对没有交互过的物品的兴趣[6, 7, 8]，尤其是美国明尼苏达大学 GroupLens 研究小组设计和开发了一个叫 MovieLens 的电影推荐系统。该系统首先让用户对自己喜欢的电影评分，然后通过分析用户提供的评分数据来估计用户的兴趣，最后根据用户兴趣为他们推荐他们可能会喜欢的电影。自此之后，推荐系统成为了一个独立的研究领域，并且得到了快速发展。 从业界角度看，20 世纪 90 年代中后期，随着电子商务的兴起（比如 Amazon和 eBay），推荐系统迎来了第一波高潮，推荐系统几乎成为每个大型电子商务网站必备的功能和营销手段。更有文献6?表明早期 Amazon 的 35% 销售量都来自它的推荐系统。Amazon 的几位推荐领域的专家在 2003 年发表的一篇关于 “基于物品的协同过滤（Item-based CF）”[9]的论文，该文章后来成为了推荐系统领域最重要的文献。之后越来越多的研究者和工程师们投入到了推荐系统的研究和实践中。例如，美国著名的 DVD 租赁网站 Net?ix 为了推动推荐系统的研究，在2006 年推出了 Net?ix Prize。Net?ix 公司提供了一个大规模电影评分数据集供研究人员评测推荐算法性能[10]。比赛的目标是希望能够将当时最好的推荐算法 –基于物品的协同过滤的推荐精准度提升 10%。从 2006 年到 2009 年的 3 年比赛中，很多研究人员提出了大量的有效算法[11, 12, 13, 14]，并成功地达到了比赛的预期目标。该比赛的成功不仅在于推动了学术界对推荐系统的深入研究和探索，更重要的意义是推动了业界对推荐问题的重视: 一方面业界出现了很多优秀的推荐系统网站，比如豆瓣，Pandora，Jinni；另一方面，推荐系统成为了很多网站的重要功能和标配。 第二章 推荐系统相关技术综述 本章首先详细介绍了各种推荐算法，然后对现有的主要推荐系统评测方法做了讨论。 2.1 推荐算法 根据在推荐过程中使用数据类型的不同，本文将推荐算法大致分为基于协同过滤的算法（Collaborative Filtering）、基于内容的算法、社会化推荐、时序推荐和基于地理位置的推荐等算法。下面，本文将逐一介绍这些算法的核心思想。 基于协同过滤（Collaborative Filtering）的算法是推荐系统领域最基本且应用最为广泛的算法，该算法主要通过分析和利用用户的历史行为来给用户的兴趣建模，并根据用户的兴趣为用户做出推荐。协同过滤算法大致可以分为两类，一类是基于用户的协同过滤算法（User-based CF）[5, 7]，最早被应用于邮件过滤和新闻推荐中；另一类是基于物品的协同过滤（Item-based CF）[9]，该