推荐系统支持使用向量机【外文翻译】.doc

1、1本科毕业论文外文翻译外文文献译文推荐系统支持使用向量机资料来源德国施普林格科技出版社作者SUNGHWANMIN和INGOOHAN推荐系统凭借捕获用户行为数据已经成为了一种重要的工具来应对信息超载问题。在追踪用户的行动之后，通过行为和比例,计算机的推荐系统利用信息过滤技术推荐商品。为了推荐新的商品,主要有以下三种途径被广泛地采用基于内容的过滤、协同过滤,和混合过滤。本文提出了三个信息过滤方法,他们中的每一个都建立在上述三种途径的基础上。在我们的方法中,用户预置文件通过抽象数据结构，用户和商品间关系的计算公式是改编自抽象数据分析领域SDA的相异函数。凭借使用SDA工具已经提升了推荐系统的表现,尤

2、其是在没有太多用户信息时，关于靠半衰期效用度量测算来搜索好商品的任务。就P2P应用而言，无论是对本身就具有优势的分散化推荐系统还是对集成式推荐系统的必要性来说，对有效而分散的推荐系统的需求已受到一段时间的渴望。另一方面,推荐系统的精度往往受到数据缺乏的伤害。在本文中,我们通过比较不同的基于用户的分散式算法和基于商品的协同过滤（CF）算法，并提出一种新的基于用户的为分散系统定制的随机游动方法,专门设计用来处理稀疏数据。我们来说明对于分散环境，随机游动的应用是怎样的不同于集中式的版本。我们检视随机游动的性能在不同的设置方法,通过改变净水剂的相似性度量方法与周边的尺寸。此外,我们存在的意义,介绍了传

3、统术语用来增加加权相似度量的精度,阐述如何影响算法性能的随机游动。在10000000年MOVIELENS仿真数据表明,等级范围内的,我们的算法优于净水剂分散碳纤维的方案。此外,我们的结果表明分散方法比基于用户执行项目为基础同行在P2P的推荐人的应用。在本文中,我们提出一个基于用户的随机漫步算法来提高以前分散的协同过滤推荐系统的精度。我们用流行协议分配每个用户与附近的类似的同行。每个用户在算法运行的随机游动,并计算邻居她的推荐。该算法充分分散,用户是完全独立于彼此在计算自己的推荐。我们根据市场的需要实行分权协同过滤封采用不同的相似措施,并2与我们的算法。我们的算法是最好的精度范围内的净水剂。分散

4、基于用户的算法表现了良好的精度和更少的复杂性比他们的项目为基础同行。此外,余弦相似性表现更好的分散,但皮尔逊相关项目为基础的算法能更好地为基于用户工作分散算法。模拟了P2P网络使用一种叫做MOVIELENS的推荐系统收视率数据集,10000000实证研究表明,我们的邻居净水剂大小,和相似性度量是确定参数的随机游动的算法。该算法在数据变得稀缺时能够提供更好的精度。对于大,它会运转得更好附近的大小。图的大小是用作好30间的平衡关系为MOVIELENS精度和执行时间的数据。最后,自己的行为随机游动的进行了两种类型的附近形成也皮尔森相关或通过修改。皮尔森相关。我们显示了推广相关术语的意义影响加权对改性

5、后的皮尔森是一个的障碍相关性能的随机游动。环境敏感的已经成为一个核心技术和不可缺少的功能,为应用服务在随处可见的计算环境。任务的上下文推理的使用数据用户的情况被称为语境推理。在这项研究中,我们把语境推理能力的音乐推荐系统。这样,我们所提出的系统包含模块,模块,模块和意图心情推荐模块。意图推理模块执行上下文推测是否一个用户想听音乐或不采用环境背景数据。心情模块确定属于哪一类的音乐适合用户的上下文。最后,推荐模块推荐音乐给用户。语境推理是使用基于实例推理的实现。本研究的贡献,开发的一种新型荐购系统架构,推导得到了用户的事物是由上下文推理和利用历史数据用户的自己的孤独。为了展示其实用性的框架内,我们

6、实现一个音乐推荐系统,我们要给立方米,可用于一个智能家居应用泛在计算环境。M3有两个突出的特征。第一,用户的上下文推导使用数据挖掘技术。其次,是利用音乐推荐用户的自己的听力历史独自一人。M3等模块包含行为动机、情绪模块和模块推荐模块。意图推理模块执行上下文推测是否一个用户想听音乐或不采用环境背景数据。心情模块确定属于哪一类的音乐适合用户的上下文。这两个模块开发利用基于实例的推理机制,李惠平技术。最后,提出音乐推荐模块用户利用预先设定的规则。M3的性能进行了评价和两个比较系统,即那个让推荐使用多用户之间听力历史数据,而另一个是使建议不使用环境背景数据。M3的精度优于两个比较系统188点高于162

7、,高于前者,后者。因此,我们提高了精度的音乐推荐利用用户的自己的听力历史孤独和利用环境背景数据。为进一步研究计划,我们继续我们的学习对下列问题第一,我们将发展M3的各种个人和检查是否具有更好的精确性维持。其次,我们将努力使一个更精致的造型为推荐模块。我们的研究开始前,我们尝试以收集特征,表明一天的时间当3用户听了一定的音乐。这一特点能成为一个很好的预测推理用户为的情绪。然而,我们不能得到的数据特征。所以最后,我们需要收集更多的不同特征,代表环境背景。然后,输入功能,为M3应确定特点的选择过程。本研究支持无所不在的自主计算和网络工程、国家信息和沟通MIC,二十一号世纪前沿研发项目在韩国。环境敏感

8、是使用信息的情况下,应用程序正在运行,提供相关信息和/或服务的用户。术语“环境敏感的引入SCHILIT和THEIMER。他们认为的“语境”进行一些实例,身份的相符附近的人与对象,并且改变那些对象。4外文文献原文TITLERECOMMENDERSYSTEMSUSINGSUPPORTVECTORMACHINESMATERIALSOURCESPRINGERGROUPAUTHORSUNGHWANMININGOOHANRECOMMENDERSYSTEMSHAVEBECOMEANIMPORTANTTOOLTOCOPEWITHTHEINFORMATIONOVERLOADPROBLEMBYACQUIRINGD

9、ATAABOUTUSERBEHAVIORAFTERTRACINGTHEUSERSBEHAVIOR,THROUGHACTIONSORRATES,COMPUTATIONALRECOMMENDERSYSTEMSUSEINFORMATIONLTERINGTECHNIQUESTORECOMMENDITEMSINORDERTORECOMMENDNEWITEMS,ONEOFTHETHREEMAJORAPPROACHESISGENERALLYADOPTEDCONTENTBASEDLTERING,COLLABORATIVELTERING,ORHYBRIDLTERINGTHISPAPERPRESENTSTHREE

10、INFORMATIONLTERINGMETHODS,EACHOFTHEMBASEDONONEOFTHESEAPPROACHESINOURMETHODS,THEUSERPROLEISBUILTUPTHROUGHSYMBOLICDATASTRUCTURESANDTHEUSERANDITEMCORRELATIONSARECOMPUTEDTHROUGHDISSIMILARITYFUNCTIONSADAPTEDFROMTHESYMBOLICDATAANALYSISSDADOMAINTHEUSEOFSDATOOLSHASIMPROVEDTHEPERFORMANCEOFRECOMMENDERSYSTEMS,

11、PARTICULARLYCONCERNINGTHENDGOODITEMSTASKMEASUREDBYTHEHALFLIFEUTILITYMETRIC,WHENTHEREISNOTMUCHINFORMATIONABOUTTHEUSERTHENEEDFORECIENTDECENTRALIZEDRECOMMENDERSYSTEMSHASBEENAPPRECIATEDFORSOMETIME,BOTHFORTHEINTRINSICADVANTAGESOFDECENTRALIZATIONANDTHENECESSITYOFINTEGRATINGRECOMMENDERSYSTEMSINTOP2PAPPLICA

12、TIONSONTHEOTHERHAND,THEACCURACYOFRECOMMENDERSYSTEMSISOFTENHURTBYDATASPARSITYINTHISPAPER,WECOMPAREDIERENTDECENTRALIZEDUSERBASEDANDITEMBASEDCOLLABORATIVEFILTERINGCFALGORITHMSWITHEACHOTHER,ANDPROPOSEANEWUSERBASEDRANDOMWALKAPPROACHCUSTOMIZEDFORDECENTRALIZEDSYSTEMS,SPECICALLYDESIGNEDTOHANDLESPARSEDATAWES

13、HOWHOWTHEAPPLICATIONOFRANDOMWALKSTODECENTRALIZEDENVIRONMENTSISDIERENTFROMTHECENTRALIZEDVERSIONWEEXAMINETHEPERFORMANCEOFOURRANDOMWALKAPPROACHINDIERENTSETTINGSBYVARYINGTHESPARSITY,THESIMILARITYMEASUREANDTHENEIGHBORHOODSIZEINADDITION,WEINTRODUCETHEDISADVANTAGEOFTHESIGNICANCEWEIGHTINGTERMTRADITIONALLYUS

14、EDTOINCREASETHEPRECISIONOFSIMILARITYMEASURES,ANDELABORATEHOWITCANAECTTHEPERFORMANCEOFTHERANDOMWALKALGORITHMTHESIMULATIONSONMOVIELENS10,000,000RATINGSDATASETDEMONSTRATE5THATOVERAWIDERANGEOFSPARSITY,OURALGORITHMOUTPERFORMSOTHERDECENTRALIZEDCFSCHEMESMOREOVER,OURRESULTSSHOWDECENTRALIZEDUSERBASEDAPPROACH

15、ESPERFORMBETTERTHANTHEIRITEMBASEDCOUNTERPARTSINP2PRECOMMENDERAPPLICATIONSINTHISPAPER,WEPROPOSEAUSERBASEDRANDOMWALKALGORITHMTOENHANCETHEPRECISIONOFPREVIOUSDECENTRALIZEDCFRECOMMENDERSYSTEMSWEUSEEPIDEMICPROTOCOLSTOASSIGNEACHUSERWITHANEIGHBORHOODOFSIMILARPEERSEACHUSERLOCALLYRUNSTHERANDOMWALKALGORITHMONH

16、ERNEIGHBORHOOD,ANDCOMPUTESHERRECOMMENDATIONSTHEALGORITHMISFULLYDECENTRALIZED,ANDUSERSARETOTALLYINDEPENDENTFROMEACHOTHERINCOMPUTINGTHEIROWNRECOMMENDATIONSWEIMPLEMENTEDDECENTRALIZEDCFRECOMMENDERSUSINGDIERENTSIMILARITYMEASURESANDCOMPAREDTHEMWITHOURALGORITHMOURALGORITHMHADTHEBESTPRECISIONOVERAWIDERANGEO

17、FSPARSITYDECENTRALIZEDUSERBASEDALGORITHMSSHOWEDBETTERPRECISIONANDLESSCOMPLEXITYTHANTHEIRITEMBASEDCOUNTERPARTSMOREOVER,COSINESIMILARITYPERFORMEDBETTERINDECENTRALIZEDITEMBASEDALGORITHMS,WHILEPEARSONCORRELATIONWORKEDBETTERFORDECENTRALIZEDUSERBASEDALGORITHMSSIMULATINGAP2PNETWORKUSINGTHEMOVIELENS10,000,0

18、00RATINGSDATASET,WEEMPIRICALLYSHOWEDHOWSPARSITY,NEIGHBORHOODSIZE,ANDSIMILARITYMEASUREAREDETERMININGPARAMETERSOFTHERANDOMWALKALGORITHMTHISALGORITHMDELIVERSBETTERPRECISIONWHENTHEDATAGETSSPARSERITWORKSBETTERFORLARGERNEIGHBORHOODSIZESTHEVIEWSIZEOF30WASGIVENASAGOODTRADEOBETWEENPRECISIONANDEXECUTIONTIMEFO

19、RMOVIELENSDATASETINTHEEND,THEBEHAVIOROFTHERANDOMWALKWASSTUDIEDFORTWOTYPESOFNEIGHBORHOODFORMEDEITHERTHROUGHPEARSONCORRELATIONORMODIEDPEARSONCORRELATIONWESHOWEDHOWPOPULARIZINGEECTRELATEDTOSIGNICANCEWEIGHTINGTERMOFMODIEDPEARSONCORRELATIONISABARRIERAGAINSTTHEPERFORMANCEOFRANDOMWALKTHECONTEXTAWARENESSHAS

20、BECOMEONEOFTHECORETECHNOLOGIESANDTHEINDISPENSABLEFUNCTIONFORAPPLICATIONSERVICESINUBIQUITOUSCOMPUTINGENVIRONMENTTHETASKOFUSINGCONTEXTDATAFORINFERRINGAUSERSSITUATIONISREFERREDTOASCONTEXTREASONINGINTHISRESEARCH,WEINCORPORATEDTHECAPABILITYOFCONTEXTREASONINGINAMUSICRECOMMENDATIONSYSTEMOURPROPOSEDSYSTEMCO

21、NTAINSSUCHMODULESASINTENTIONMODULE,MOODMODULEANDRECOMMENDATIONMODULETHEINTENTIONMODULEPERFORMSCONTEXT6REASONINGTHATINFERSWHETHERAUSERWANTSTOLISTENTOMUSICORNOTBYUSINGTHEENVIRONMENTALCONTEXTDATATHEMOODMODULEDETERMINESTHEGENREOFTHEMUSICSUITABLETOTHEUSERSCONTEXTFINALLY,THERECOMMENDATIONMODULERECOMMENDST

22、HEMUSICTOTHEUSERCONTEXTREASONINGISIMPLEMENTEDUSINGCASEBASEDREASONINGTHECONTRIBUTIONOFTHISRESEARCHISTHEDEVELOPMENTOFANEWRECOMMENDATIONSYSTEMFRAMEWORKTHATINFERSTHEUSERSCONTEXTBYCONTEXTREASONINGANDUTILIZESTHEUSERSOWNHISTORYDATAALONEINORDERTOSHOWTHEPRACTICALITYOFTHEFRAMEWORK,WEIMPLEMENTEDAMUSICRECOMMEND

23、ATIONSYSTEM,WESHALLCALLM3,THATCANBEUSEDFORASMARTHOMEAPPLICATIONINUBIQUITOUSCOMPUTINGENVIRONMENTTHEM3HASTWODISTINCTIVEFEATURESFIRST,THEUSERSCONTEXTISINFERREDUSINGADATAMININGTECHNIQUESECONDLY,THEMUSICRECOMMENDATIONISMADEUSINGTHEUSERSOWNLISTENINGHISTORYALONETHEM3CONTAINSSUCHMODULESASINTENTIONMODULE,MOO

24、DMODULEANDRECOMMENDATIONMODULETHEINTENTIONMODULEPERFORMSCONTEXTREASONINGTHATINFERSWHETHERAUSERWANTSTOLISTENTOMUSICORNOTBYUSINGTHEENVIRONMENTALCONTEXTDATATHEMOODMODULEDETERMINESTHEGENREOFTHEMUSICSUITABLETOTHEUSERSCONTEXTTHESETWOMODULESWEREDEVELOPEDUSINGTHECASEBASEDREASONING202JSLEEANDJCLEETECHNIQUEFI

25、NALLY,THERECOMMENDATIONMODULERECOMMENDSTHEMUSICTOTHEUSERBYMAKINGUSEOFTHEPREDEFINEDRULESTHEPERFORMANCEOFM3WASEVALUATEDWITHTHETWOCOMPARATIVESYSTEMS,IE,THEONETHATMAKESRECOMMENDATIONUSINGMULTIUSERSLISTENINGHISTORYDATA,ANDTHEOTHERTHATMAKESRECOMMENDATIONWITHOUTUTILIZINGTHEENVIRONMENTALCONTEXTDATATHEACCURA

26、CYOFM3OUTPERFORMEDTHETWOCOMPARATIVESYSTEMS188POINTHIGHERTHANTHEFORMERAND162HIGHERTHANTHELATTERTHEREFORE,WEIMPROVEDTHEACCURACYOFMUSICRECOMMENDATIONBYMAKINGUSEOFTHEUSERSOWNLISTENINGHISTORYALONEANDBYUTILIZINGTHEENVIRONMENTALCONTEXTDATAFORFURTHERRESEARCH,WEPLANTOCONTINUEOURSTUDYONTHEFOLLOWINGISSUESFIRST

27、,WEWILLDEVELOPM3SFORVARIOUSINDIVIDUALSANDCHECKIFTHEHIGHERACCURACYISMAINTAINEDSECONDLY,WEWILLENDEAVORTOMAKEAMOREELABORATEMODELFORTHERECOMMENDATIONMODULEBEFORESTARTINGOURRESEARCH,WETRIEDTOCOLLECTTHEFEATURETHATINDICATESTHETIMEOFDAYWHENTHEUSERLISTENEDTOCERTAINMUSICTHISFEATURECANBEAGOODPREDICTORFORINFERR

28、INGTHEUSERSMOODHOWEVER,WECOULDNOTOBTAINTHEDATAOFTHISFEATURETHEREFOREFINALLY,WENEEDTOCOLLECTMOREVARIOUSFEATURES7THATREPRESENTENVIRONMENTALCONTEXTTHEN,THEINPUTFEATURESFORM3SHOULDBEDETERMINEDBYFEATURESELECTIONPROCESSACKNOWLEDGMENTSTHISRESEARCHISSUPPORTEDBYTHEUBIQUITOUSAUTONOMICCOMPUTINGANDNETWORKPROJECT,THEMINISTRYOFINFORMATIONANDCOMMUNICATIONMIC,21STCENTURYFRONTIERRDPROGRAMINKOREA