基于模態(tài)型符號數(shù)據(jù)建模的群體推薦系統(tǒng)研究.pdf

1、在過去的十幾年中，信息技術(shù)得到了飛速的發(fā)展，如今互聯(lián)網(wǎng)早已普及，并已經(jīng)深入到社會的各個角落。但與此同時信息科技也帶來了網(wǎng)絡(luò)上數(shù)據(jù)量的爆炸性增長，用戶面對海量的數(shù)據(jù)資源時不得不耗費大量的時間以及精力去獲取有用的信息。在這種情況下，如何能夠使人們更加快速、準確地獲取有用的信息已經(jīng)成為了越來越多信息技術(shù)領(lǐng)域?qū)W者的研究重點。而推薦系統(tǒng)作為一種有效的信息過濾技術(shù)和個性化服務(wù)工具，已被證明是一種解決網(wǎng)絡(luò)上“信息超載”問題的有效手段，并得到了廣泛的關(guān)

2、注和深入的研究。目前面向個體用戶進行推薦的個體推薦系統(tǒng)的研究已經(jīng)比較成熟。近十年間也有不少學(xué)者開始從個體推薦系統(tǒng)出發(fā)，開始著眼于能滿足群體共同活動需求的群體推薦系統(tǒng)的研究和開發(fā)，并在該領(lǐng)域取得了一定的研究成果。但群體推薦技術(shù)并不能僅僅依靠對個體推薦技術(shù)的簡單疊加，很多在個體推薦領(lǐng)域比較成熟的方法也難以直接推廣到群體推薦領(lǐng)域。同時由于群體推薦遠比個體推薦復(fù)雜，群體推薦中要考慮的信息要遠多于個體推薦，群體推薦也比個體推薦面臨著更多的問題，造

3、成了在算法復(fù)雜性方面群體推薦的算法復(fù)雜性要遠遠高于個體推薦。目前已有的一些群體推薦系統(tǒng)并沒有充分考慮這些問題，因此尚需要進一步研究以提高群體推薦系統(tǒng)的效率和推薦精度。
　　本文結(jié)合符號數(shù)據(jù)分析法提出了一種新的群體推薦算法。在該算法中，我們使用了模態(tài)型符號數(shù)據(jù)把群體作為一個整體建立了群體模型，在群體模型建立之后將其當作群體中的一個特殊的虛擬的個體，并使用在個體推薦領(lǐng)域已經(jīng)比較成熟的協(xié)同過濾技術(shù)進行推薦產(chǎn)生最終的推薦結(jié)果。其中，群體模

4、型的建立過程是最核心的內(nèi)容。為了使群體模型能最好地表達個體的偏好，群體中所有個體模型到該群體模型的距離之和應(yīng)盡量小。這樣，群體建模的過程就被轉(zhuǎn)化成了一個最優(yōu)化求解問題，我們使用了遺傳算法來求解該最優(yōu)化問題。實驗部分使用了Movielens數(shù)據(jù)庫進行了3組實驗來考察本文提出的算法。實驗的結(jié)果表明，使用該算法建立的群體模型能夠反映群體中不同用戶的偏好差異，因此，在其基礎(chǔ)上進行的群體推薦是符合邏輯的并且有意義的。本文提出的群體推薦算法的推薦精