面向服務(wù)推薦的用戶興趣發(fā)現(xiàn)方法研究.pdf

1、隨著信息及互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，現(xiàn)階段人們已經(jīng)進入了大數(shù)據(jù)時代，在面對當前大量數(shù)據(jù)的時候，信息過載產(chǎn)生的問題越來越嚴重，也給用戶在海量信息中選擇帶來不確定性，為了有效解決此問題，推薦系統(tǒng)逐漸引起人們的重視。推薦系統(tǒng)的出現(xiàn)是以用戶為中心進行服務(wù)，準確發(fā)現(xiàn)他們的興趣，為用戶發(fā)現(xiàn)或者推薦需要的信息或服務(wù)。進行推薦的時候是根據(jù)用戶屬性、相應(yīng)的瀏覽歷史以及各種評分等等信息。目前推薦系統(tǒng)主要在電子商務(wù)領(lǐng)域有切實應(yīng)用，通過推薦可以使服務(wù)提供者擁有主動

2、，這樣會實現(xiàn)精準服務(wù)并且給他們帶來更多的利潤。
　　現(xiàn)如今在推薦系統(tǒng)中使用最廣泛最成熟的方法是協(xié)同過濾方法，首先計算用戶或者服務(wù)之間的相似度，利用最近鄰進行分析，找到用戶們的興趣，最終將結(jié)果推薦給用戶。然而此算法在分析用戶興趣的時候也存在著一定的缺點比如冷啟動、數(shù)據(jù)稀疏性以及可擴展問題，針對以上問題在本文中進行了改進。
　　本文主要研究內(nèi)容如下：
　　第一，針對協(xié)同過濾所存在的冷啟動以及數(shù)據(jù)稀疏一系列問題，本文提出了基

3、于混合屬性協(xié)同過濾方法。在用戶進行購物等行為時候會留下自己的信息以及瀏覽歷史等等信息，在本文中將以上的信息進行充分利用，主要將用戶的屬性或者特征、用戶的評分以及用戶的瀏覽歷史進行了綜合，其中在用戶評分方面則是主要使用了用戶們之間的共同評分，并且采用了改進過的SVD（Singular Value Decomposition）方法進行數(shù)據(jù)預(yù)處理；用戶瀏覽歷史加入了時間戳的函數(shù)，找到用戶的動態(tài)興趣。將以上三方面分別計算相似度，最后將相似度進行

4、分權(quán)重計算，得到最后的相似度，根據(jù)相似度找到相應(yīng)的興趣，再使用KNN（k-Nearest Neighbor）進行分析，將結(jié)果推薦給所需要的用戶。
　　第二，為了針對某個用戶進行特定的服務(wù)推薦，提出了基于隨機森林的單用戶興趣發(fā)現(xiàn)及服務(wù)推薦，在興趣挖掘的時候則使用了改進過的隨機森林，將CART（Classification And Regression Tree）和C4.5進行線性融合，經(jīng)過將以上方法結(jié)合后提高數(shù)據(jù)分類預(yù)測精度，并且提

5、高了推薦結(jié)果的精確度。在挖掘用戶興趣的過程中首先將數(shù)據(jù)進行相應(yīng)的處理，如果是離散型的數(shù)據(jù)則使用SVD進行預(yù)處理，如果是連續(xù)型數(shù)據(jù)則進行離散化，在進行離散化時候則使用了CADD（Class-Attribute Dependent Discretizer）等算法進行處理，然后進行訓(xùn)練和測試，根據(jù)訓(xùn)練和測試結(jié)果找到用戶的興趣，最后得出某個用戶的推薦列表。
　　第三，提出交叉驗證方法將基于混合屬性的協(xié)同過濾和基于隨機森林的推薦結(jié)果進行融合