基于遺忘曲線的推薦算法研究.pdf

1、隨著信息技術和互聯(lián)網(wǎng)技術的發(fā)展，人們進入“信息爆炸”的時代，面對海量信息，用戶不知道如何將自己感興趣信息從這海量的信息中提取出來，搜索引擎已經(jīng)不能滿足人們的需要，推薦系統(tǒng)成為解決這一需要的重要方式。而協(xié)同過濾因為其算法簡單，又能夠處理復雜的問題并產(chǎn)生比較良好的效果而被人們廣泛應用，也成為了推薦系統(tǒng)中最成功的技術。然而用戶的興趣是時刻變化的，且對于新用戶系統(tǒng)無法預測用戶的偏好，原始的推薦技術并沒有滿足這些需求，而本文就是致力于這方面問題的

2、解決。
　　首先，本文提出了基于艾賓浩斯遺忘曲線的用戶推薦算法，由于人的興趣是不斷變化的，而這種變化是自然遺忘的過程，也就符合遺忘曲線，所以用遺忘函數(shù)模擬人的興趣變化。由于時間對評分的起著很重要的作用，在使用相似度算法時加入了時間因子，對用戶的原始評分進行衰減，以此來反應用戶的興趣變化。然后為本文提出的算法設計了兩組實驗來驗證算法的有效性。通過兩組實驗的結果證明，總體上來講，本文提出的基于遺忘曲線的相似度的計算方法比傳統(tǒng)的算法要好

3、一些。那么在推薦系統(tǒng)中，結合自然規(guī)律，通過運用艾氏遺忘曲線所表述的遺忘的規(guī)律來反應用戶興趣的變化，對用戶評分進行衰減，可以明顯的提高系統(tǒng)預測的準確度。這也表明，在推薦系統(tǒng)中，人的認知規(guī)律可以發(fā)揮很重要的作用。
　　其次，基于以上的內(nèi)容，本文針對推薦系統(tǒng)中冷啟動問題又做了詳細的研究，分析和比較了前輩們提出的各種解決冷啟動問題的算法，明確每個算法的優(yōu)點和不足;同時介紹了通過交叉推薦引起的思考，由于人生活在社會中，不同的人有不同的社交圈

4、，而目標用戶社交圈中的人的偏好在某種程度上可以反映目標用戶的偏好，基于這種思想，結合Sahebi提出的算法，將遺忘曲線的思想加入進去，提出了在多維網(wǎng)絡中基于用戶社區(qū)劃分來解決冷啟動的方案。通過清空數(shù)據(jù)集中用戶的書評來模擬系統(tǒng)中的冷啟動問題，在能克服冷啟動問題的情況下，用社區(qū)群體的興趣漂移來預測用戶對圖書的評分。對于本文在實驗部分將此方案與傳統(tǒng)的協(xié)同過濾推薦算法進行了對比。實驗證明，在鄰居數(shù)不斷增加的條件下，前者預測的準確度要優(yōu)于后者，也