基于大眾標(biāo)注的個(gè)性化推薦系統(tǒng)研究.pdf

1、計(jì)算機(jī)科學(xué)和互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，人們的信息處理能力已經(jīng)遠(yuǎn)遠(yuǎn)落后于信息的產(chǎn)生速度。面對(duì)信息過載，搜索引擎只能被動(dòng)接受指示，無法主動(dòng)篩選信息。用戶如何從海量信息中獵取有價(jià)值的信息，或者如何把有價(jià)值的信息展示給相關(guān)的用戶，是近段時(shí)間以來學(xué)術(shù)界熱議的一個(gè)互聯(lián)網(wǎng)研究問題。毫無疑問，推薦系統(tǒng)被證明是解決該問題的有效途徑。該技術(shù)主要是根據(jù)分析用戶的歷史行為信息和興趣愛好，來達(dá)到主動(dòng)向用戶推薦有價(jià)值信息的目的。
　　目前大眾標(biāo)注(Social

2、Tag)技術(shù)的飛速發(fā)展，使得用戶可以更加便捷的發(fā)現(xiàn)、組織管理或者獲取網(wǎng)絡(luò)上的資源，因而很快就被多個(gè)個(gè)性化站點(diǎn)所采用。使用標(biāo)注能夠更準(zhǔn)確的表述資源特征，也更能真實(shí)體現(xiàn)用戶個(gè)體對(duì)資源的興趣偏好。因此，將大眾標(biāo)注技術(shù)用于個(gè)性化推薦系統(tǒng)也非常的適用。
　　本文提出了一種基于大眾標(biāo)注聚類的個(gè)性化推薦方法，使用歸屬度(BelongingCoefficient)矩陣代替評(píng)分矩陣，不僅可以解決數(shù)據(jù)稀疏性問題，還可以極大程度上降低數(shù)據(jù)的維數(shù)。與SV

3、D(Singular Value Decomposition)有類似降維思想的推薦算法相比，也在復(fù)雜性和推薦效果上都有一定優(yōu)勢(shì)。這是對(duì)傳統(tǒng)推薦方法的改進(jìn)，可以解決傳統(tǒng)方法興趣模型比較單一的問題。而且這種方法也縮小了評(píng)分矩陣的規(guī)模，提高了運(yùn)算的效率。
　　本文以基于MovieLens、Amazon和Netflix等公開的數(shù)據(jù)集進(jìn)行的實(shí)驗(yàn)表明，基于大眾標(biāo)注的個(gè)性化推薦算法與傳統(tǒng)的基于用戶相似度的方法進(jìn)行比較分析，可以得出，本文的算法能