摘要：推荐系统是互联网快速发展的产物，其作用是利用用户的偏好特征对海量信息做 一个预处理，然后将筛选后的信息展现在用户面前供其选择。推荐系统中最重要的一部分就是推荐算法，一个好的推荐算法能让推荐性能达到最优，满足于不同的应用场景需求。在主流推荐算法实现和离线评测中，通常会根据经验预先设定若干环境参数的值。然而对于不同的应用场景、不同的算法、甚至是不同的用户，统一的环境参数设置是否合理成为了一个问题。这些环境参数也是影响算法性能的关键因素之一，一个合理的取值能够大大提升推荐算法的性能。不同的算法对环境参数的适应性也不同，因此需要针对具体算法的特点去做一个特定的取值，并不能单纯地通过经验来设定。

为了探究统一设置参数的合理性，本论文针对 KNN 协同过滤算法、基于随机游走的 P3 推荐算法及其改进的 RP3 和 RAP3 算法的预置环境参数进行了实证分析，通过实验计算推荐算法在准确率和海明距离方面的得分，并以此作为一个评定标准来综合衡量算法的推荐性能，最后针对不同的算法给出一个较为合理的参数取值建议。

 

关键词：推荐算法；预置环境参数；准确率；海明距离

 

 

目录

摘要

Abstract

第1 章 绪 论 1

1.1背景与意义 1

1.2国内外发展（应用）现状 3

1.3论文所做工作及思路 4

1.4论文章节安排 4

第2 章 推荐系统评测指标 6

2.1准确性指标 6

2.1.1准确率 6

2.1.2召回率 6

2.1.3平均精度均值 7

2.2多样性指标 8

2.2.1海明距离 8

2.2.2表内相似度 8

2.3本章小结 9

第3 章 推荐系统算法 10

3.1预备知识 10

3.2基于 KNN 的协同过滤算法 10

3.2.1基本的 KNN 模型 10

3.2.2推荐系统中的 KNN 协同过滤算法 12

3.2.3相似度的计算 13

3.3基于随机游走的P3 推荐算法 14

3.4RP3 算法 18

3.5RAP3 算法 19

3.6本章小结 20

第4 章 推荐算法性能分析 21

4.1数据集及预处理 21

4.2预置环境参数 21

4.3数据集的划分比例对推荐算法性能的影响 22

4.4推荐列表的长度对推荐算法性能的影响 26

4.5KNN 协同过滤算法中的最优近邻参数 31

4.6本章小结 32

第5 章 总结与未来方向 34

5.1总结 34

5.2未来方向 35

致 谢 36

参考文献 37