基于流行度預測的個性化媒體推薦算法研究.pdf

1、上下文感知推薦系統(tǒng)（Context-aware Recommendation Systems，簡稱CARS）已經(jīng)成為個性化推薦研究領域最為活躍的研究領域之一。上下文感知推薦技術的主要研究任務，就是如何利用用戶的上下文信息，在傳統(tǒng)推薦技術的基礎上進一步提高推薦結果的精確度和用戶的滿意度。上下文感知推薦技術因其普適計算和個性化的特征被廣泛應用在許多工業(yè)領域中，近年來，尤其在電子商務、信息檢索、移動應用、電影和音樂推薦和電子旅游等領域具有廣闊

2、的應用前景。雖然上下文感知推薦技術的研究已經(jīng)取得了一定進展，但是仍然是一個充滿問題和挑戰(zhàn)的新興研究領域。上下文感知推薦過程中存在上下文信息種類和類型復雜、用戶需求各異等問題，使得充分結合用戶的上下文信息以針對不同用戶的需求推薦適當?shù)馁Y源相當困難，不能得到很好的用戶滿意度。因此，在用戶上下文復雜和需求各異的情況下，仍能得出精確的推薦結果和較高的用戶滿意度，就成為一個亟待解決的問題。
　　基于上述分析，本文針對數(shù)字家庭環(huán)境，對上下文感

3、知推薦相關的技術進行分析，并結合研究環(huán)境中存在的問題和傳統(tǒng)推薦技術的不足，嘗試利用流行度預測技術進行改進，并利用多元線性回歸技術進行流行度的預測，本文主要研究上下文感知推薦過程中的上下文信息結合不充分和新興趣點挖掘問題，在傳統(tǒng)推薦技術的基礎上，針對數(shù)字家庭環(huán)境中的上下文信息特點，提出一種基于流行度預測的個性化媒體推薦算法MRAPP。該算法首先分析數(shù)字家庭環(huán)境下用戶的上下文信息，并對上下文信息進行分類建模，通過傳統(tǒng)的基于內容的推薦技術CB

4、計算推薦結果，然后，針對基于內容推薦技術無法為用戶推薦新興趣點的問題，引入流行度的概念。文中通過理論證明和仿真實驗，論證了MRAPP算法的有效性。
　　本文的創(chuàng)新點在于考慮到用戶已經(jīng)不滿足于與其上下文信息相似的推薦資源，而需要推薦技術為其挖掘新的興趣點，因此，引入了流行度的概念，并通過在服務器端利用多元線性回歸計算流行度的預測值，結合基于內容推薦技術的推薦結果，為用戶推薦適合其環(huán)境的新資源，提高了用戶的滿意度。
　　個性化媒