基于語(yǔ)用情境的資源推薦研究及應(yīng)用.pdf

1、隨著互聯(lián)網(wǎng)的飛速發(fā)展，網(wǎng)絡(luò)信息過(guò)載已成為目前網(wǎng)絡(luò)用戶所面臨的主要問(wèn)題，資源推薦系統(tǒng)為解決這一問(wèn)題提供了有效手段，它可以為用戶提供信息過(guò)濾和資源推薦服務(wù)，提高了用戶的工作效率，正逐漸被大多數(shù)用戶所青睞，而資源推薦的研究亦成為學(xué)者研究的重要領(lǐng)域。目前，現(xiàn)有的主要推薦系統(tǒng)有基于規(guī)則的推薦、基于內(nèi)容的推薦、協(xié)同過(guò)濾推薦等。
　　基于規(guī)則的推薦是根據(jù)用戶和規(guī)則模型產(chǎn)生的推薦，它可以滿足用戶實(shí)時(shí)性的需要，但規(guī)則的制定需要領(lǐng)域?qū)＜业膮⑴c，隨著時(shí)

2、間的推移會(huì)產(chǎn)生偏差和難以更新的問(wèn)題，從而降低推薦的效率?；趦?nèi)容的推薦是通過(guò)計(jì)算被推薦資源的內(nèi)容與用戶興趣的相似性來(lái)選擇所要推薦的資源，但是它只能依靠用戶的興趣進(jìn)行推薦，并不能找到用戶新的興趣之處，所以推薦也會(huì)局限在用戶訪問(wèn)的歷史記錄中。
　　協(xié)同過(guò)濾推薦目前是資源推薦系統(tǒng)中最成功的資源推薦技術(shù)，并且在很多的資源推薦系統(tǒng)中都得到了大量的應(yīng)用，協(xié)同過(guò)濾推薦是從用戶出發(fā)，尋找目標(biāo)用戶的最近鄰居用戶，利用最近鄰居對(duì)其他資源的加權(quán)評(píng)價(jià)值作

3、為目標(biāo)用戶對(duì)該資源的評(píng)價(jià)，并以此為依據(jù)，向目標(biāo)用戶進(jìn)行資源推薦，所以它可以為用戶發(fā)現(xiàn)潛在的興趣。雖然協(xié)同過(guò)濾推薦得到了成功的應(yīng)用，并且具有很多優(yōu)勢(shì)，但傳統(tǒng)的協(xié)同推薦都是通過(guò)用戶對(duì)項(xiàng)目的評(píng)分作為基礎(chǔ)，計(jì)算目標(biāo)用戶的相似鄰居，然后為用戶推薦資源，這樣就造成了數(shù)據(jù)評(píng)分矩陣稀疏以及冷啟動(dòng)的問(wèn)題，并且評(píng)分也無(wú)法完全反映出用戶的興趣愛(ài)好。
　　針對(duì)以上問(wèn)題，本文提出了基于語(yǔ)用情境的推薦方法。在傳統(tǒng)的協(xié)同推薦方法的基礎(chǔ)上，將語(yǔ)用學(xué)中的情境因素和

4、信任因素引入到資源推薦的研究中來(lái)，其中，影響用戶行為的上下文信息和場(chǎng)景信息成為用戶情境，對(duì)用戶決策產(chǎn)生作用的用戶情境成為最顯著情境，該方法首先獲取用戶的最顯著個(gè)性化情境因素，然后結(jié)合用戶最顯著情境計(jì)算出用戶興趣相關(guān)性、評(píng)分相似性和評(píng)分相關(guān)性矩陣，形成用戶興趣關(guān)聯(lián)模型，最后計(jì)算出用戶信任等級(jí)，以用戶信任等級(jí)值作為用戶的評(píng)分權(quán)重，結(jié)合傳統(tǒng)的推薦方法預(yù)測(cè)目標(biāo)用戶的評(píng)分。
　　本文采用Matlab在MovieLens數(shù)據(jù)集上對(duì)該方法進(jìn)行了