一個改進(jìn)的推薦算法研究與應(yīng)用.pdf

1、當(dāng)前人們正處于一個信息過載的時代，面對著互聯(lián)網(wǎng)上面的海量信息，如何從中準(zhǔn)確的找到和發(fā)現(xiàn)自己所需要的信息已經(jīng)成為一個難題。而推薦系統(tǒng)則是解決這一問題的有力工具。推薦系統(tǒng)通過對用戶的行為記錄進(jìn)行分析，構(gòu)建出用戶的興趣模型，從而來對用戶的喜好進(jìn)行預(yù)測，并推薦給用戶他感興趣的東西。
　　在推薦系統(tǒng)中，目前使用最多的是協(xié)同過濾的方法。協(xié)同過濾方法通過分析系統(tǒng)中所有用戶的歷史行為記錄，發(fā)現(xiàn)用戶、物品兩兩之間的聯(lián)系。其中又分為基于鄰域的算法和隱

2、含語義模型（矩陣分解模型）。
　　在Netflix競賽之后，矩陣分解模型成為推薦系統(tǒng)領(lǐng)域中的熱點研究話題，各種改進(jìn)的模型都層出不窮。對包括傳統(tǒng)矩陣分解模型，引入隱式反饋的矩陣分解模型以及基于時間效應(yīng)的矩陣分解模型進(jìn)行了深入的研究。其中時間效應(yīng)是當(dāng)前推薦系統(tǒng)研究的一個深入點，和以往的靜態(tài)推薦系統(tǒng)不同，通過加入時間效應(yīng)，推薦系統(tǒng)能夠更加準(zhǔn)確的進(jìn)行評分預(yù)測。
　　在時間效應(yīng)的矩陣評分模型基礎(chǔ)上，提出了使用時間函數(shù)來對整個時間跨度進(jìn)