论文总字数：14360字

摘 要

自1992年Tapestry系统首次使用协同过滤的算法机制对电子邮件进行过滤从而开创了个性化推荐算法的研究领域以来，推荐算法在新闻传播、音乐推荐、个性化定制、购物推荐等方面都有着很好的应用。在个性化推荐方面的推荐质量也逐渐成为算法研究上的一大方向。

本文首先全面地回顾和介绍了常见的博弈理论，之后，分析了个性化推荐系统的评价指标，并针对个性化推荐过程建立了博弈模型。然后本文利用复制动态分析的方法对模型进行博弈研究。最终结合博弈理论与数学分析结果客观合理地分析了个性化推荐的过程及其推荐质量。

关键词：博弈论 推荐系统 个性化

Research on the Quality of Recommendations for Personalized Recommendations from the Perspective of Game Theory

Abstract

Since the Tapestry system first used the collaborative filtering algorithm mechanism to filter emails in 1992 and created a research field for personalized recommendation algorithms, the recommended algorithms have developed rapidly in the fields of news communication, e-commerce, LBS, personalized advertising, and has gradually become an independent subject. Recommendation quality in personalized recommendation has gradually become a major direction in algorithm research.

This article first reviews and introduces game theory comprehensively. After that, this paper analyzes the evaluation index of the personalized recommendation system and establishes a game model for the personalized recommendation process. Then it uses the method of copy dynamic analysis to study the model. Finally, based on game theory and mathematical analysis results, this paper objectively and reasonably analyzes the process of personalized recommendation and its recommendation quality.

Key Words: Game theory; Recommendation System; Personalization

目录

摘 要 Ⅰ

Abstract Ⅱ

目录 Ⅲ

第一章 绪论 2

1.1个性化推荐基本介绍 2

1.1.1 个性化推荐 2

1.1.2 国内外研究现状介绍 3

1.2研究目的以及意义 4

第二章 博弈理论介绍 5

2.1 博弈理论定义 5

2.2 博弈理论的思想借鉴 6

第三章 博弈模型构建 7

3.1 个性化推荐系统的评价指标 7

3.2 模型构建 8

第四章 研究结果 11

4.1模型分析 11

4.2总结 13

第五章 不足与展望 14

5.1不足 14

5.2展望 14

参考文献 15

致谢 18

第一章 绪论

1.1个性化推荐基本介绍

1.1.1 个性化推荐

个性化推荐（Recommendation Systems），是信息过滤系统的一个子类，它是基于用户行为分析而进行一定智能化推动的方式。在个性化方面推荐主要是依据算法来进行实现的，这是智能化数据处理技术的深入应用，在不同领域都有着广阔的应用范围^[1,2]。

在网络信息技术不断提升背景下，互联网的边界越来越广阔，各平台信息过载的现象越来越严峻，广泛的数据分享带来的是数据的指数级增长，用户在大量的信息空间中无法快速找寻到其真正需要的信息。为了能够充分地挖掘并利用当前互联网上的数据资源中所蕴涵的大量的有价值的讯息，数据挖掘技术和个性化推荐系统应运而生。这一数据挖掘技术能够充分地分析互联网上的各类数据信息，并挖掘出有价值的知识模式，为平台和用户能更好地改善两者之间的关系、平台能给客户提供更好的个性化推荐服务提供了相应的技术工具。

针对个性化推荐系统应用方面是通过数据库、交互代理、推荐模型库、数据挖掘等方面来实现的^[3]。从中可以看出个性化推荐系统的完整应用流程包括清洗、转换和加载数据，生成模型，配置推荐策略，访问推荐服务，更新操作数据这5个部分，整个应用流程不断循环，一般会采用周期性更新。

个性化推荐系统在实际的划分上根据不同的标准状况有着不同的分类，主要几种分类如下：

按照推荐对象的特点分类，可以具体分为物品和网页个性化推荐。物品方面的推荐主要是电子商务购物信息推荐的应用；网页的推荐上主要是在新闻媒体等方面的应用。

按照技术可以分类为基于聚类分析的个性化推荐系统、基于知识的个性化推荐系统、基于规则的个性化推荐系统和基于Agent的个性化推荐系统等^[4,5]。

按照个性化的分类方式可以划分成主动和被动推荐。在使用上面多数都是通过主动推荐的方式使得用户获取相关信息，从而达到个性化推荐的目的。主动式推荐是当下各个领域应用比较多的方法，通过对用户的行为信息进行分析，运用算法的综合分析能力从而达到相应的目的，帮助实际应用中客户体验度达到提升。被动式推荐则指用户自己在系统的帮助下获得所需要推荐的信息或物品，主要包括分类浏览式推荐、关键词查询式推荐等。

1.1.2 国内外研究现状介绍

个性化推荐系统是信息过滤系统的一个子类，它试图预测用户对某个商品的偏好，以改变网站或平台与政治沟通的方式。针对个性化推荐系统的研究始于国外，且直到20世纪90年代才由理论创想走向技术研发。

英国数学家图灵在1937年发表的《论数字计算在决断难题中的应用》一文中指出利用计算机器实现数学研究，也就是后来广为流传的“图灵机”^[6]。罗森布拉特在1959年提出了神经算法的概念，通过一些参数的设定能够实现算法框架的搭建，这是关于计算机推荐算法的初步研究^[7]。

自1992年Tapestry系统首次使用协同过滤的算法机制对电子邮件进行筛选操作上成功地使用了推荐算法之后，如今在电商平台、新闻媒体、音乐软件等方面都取得了很好地应用。随着技术的提升关于人工智能等方面的概念也越来越多，通过多种技术的形式达到算法上的高度提升，从而能够取得更好地应用。它是21世纪互联网信息传播领域一场全新的范式革命，不仅是对传统信息传播方式的颠覆，更是传播观念的重要突破。

请支付后下载全文，论文总字数：14360字