融合多種上下文的協(xié)同過濾推薦算法研究.pdf

1、現(xiàn)在我們處在信息急速爆炸的時代，這時候很難做到為用戶提供符合心意的有用信息。因為搜索引擎的出現(xiàn)，用戶減少了部分信息過載壓力，但存在結果單一性問題，無法提供差異性的可以滿足用戶偏好的服務。具體的，推薦系統(tǒng)通過探究其核心的相關信息，即用戶的行為、偏好和環(huán)境上下文等因素，篩選掉與用戶喜好無關的信息，從而為用戶推薦滿足個性化需求的服務。
　　協(xié)同過濾是目前眾多推薦方法中應用范圍最廣的。它的基本思想是挖掘用戶行為背后信息，篩選到相似用戶，依

2、據(jù)相似用戶對某一具體資源的偏好來推斷目標用戶對具體資源的喜好程度，依照其值順序推薦。實踐證明，此算法可提高電子商務領域中用戶由網(wǎng)頁瀏覽者到物品選購者的轉化率。
　　盡管協(xié)同過濾算法取得了不錯的成績，但傳統(tǒng)協(xié)同過濾算法僅通過單一評分來挖掘相似用戶（物品），推薦的效果并不占優(yōu)勢。不少學者將時間、地點、標簽等上下文信息融合到協(xié)同過濾推薦算法中，以期提高個性化推薦的質量。
　　通過大量的與協(xié)同過濾算法相關的文獻閱讀、資料總結與內容討

3、論，本文在經典的算法基礎上進行了創(chuàng)新和改進，大量的模擬實驗結果證明了新算法的可行性與優(yōu)越性。具體的工作總結為以下幾部分：
　　（1）將時間上下文信息加入到協(xié)同過濾推薦算法中。利用用戶先后購買同一物品的時間關系來衡量用戶間相似度，得到用戶特征向量；利用物品先后被同一用戶購買的時間關系來衡量物品間相似度，可以計算得到該物品的特征向量；最后，將前面得到的特征向量融合到概率矩陣分解模型中并不斷的對其進行優(yōu)化來降低誤差。
　　（2）將

4、標簽上下文信息加入到協(xié)同過濾推薦算法中。利用標簽信息來豐富用戶（物品）信息，提出了一種基于用戶（物品）標簽特征向量的建模方法。通過用戶-標簽、物品-標簽二部圖求出用戶間相似度和物品間的相似度。將用戶評分的時間上下文因素考慮進來，對最近鄰模型進行優(yōu)化，動態(tài)發(fā)現(xiàn)對當前用戶（物品）影響最大的鄰居集合。
　?。?）提出一種融合時間上下文和標簽上下文的協(xié)同過濾推薦算法。通過時間上下文來計算用戶相似度，通過標簽上下文來計算物品相似度，最后融合