基于用戶興趣變化的協(xié)同過濾推薦算法研究.pdf

1、互聯(lián)網(wǎng)的出現(xiàn)和普及為人們帶來了大量的信息。但隨著網(wǎng)絡(luò)中信息量的大幅增長(zhǎng),使得互聯(lián)網(wǎng)用戶在面對(duì)大量信息時(shí),無法從中獲得對(duì)自己真正有用的信息,從而降低了用戶對(duì)信息的使用效率,這就是所謂的“信息超載(Information Overload)”問題。個(gè)性化推薦(Personalized Recommendation)是解決“信息超載”問題眾多技術(shù)中應(yīng)用較好的一個(gè),它通過對(duì)不同用戶的興趣進(jìn)行研究,將滿足用戶興趣和需求的資源主動(dòng)推薦給用戶,進(jìn)而較

2、好的滿足了“大數(shù)據(jù)”時(shí)代用戶的信息需求。協(xié)同過濾(Collaborative Filtering)推薦作為目前較為成功、應(yīng)用較為廣泛的個(gè)性化推薦技術(shù)之一,受到電子商務(wù)商家和學(xué)者的廣泛關(guān)注,成為個(gè)性化推薦領(lǐng)域研究中的一個(gè)熱點(diǎn)問題。及時(shí)準(zhǔn)確的獲取用戶興趣、偏好是實(shí)現(xiàn)個(gè)性化推薦的基礎(chǔ)。用戶的興趣、偏好會(huì)隨著時(shí)間的推移,產(chǎn)生某種程度上的變動(dòng),這就是用戶興趣變化問題?，F(xiàn)有的協(xié)同過濾推薦都普遍存在著不能及時(shí)根據(jù)這種用戶興趣的變化,為用戶提供準(zhǔn)確的推

3、薦,從而降低了推薦系統(tǒng)的應(yīng)用效果。
　　本研究主要內(nèi)容包括：⑴對(duì)推薦系統(tǒng)的概念、原理以及分類進(jìn)行了分析和梳理,進(jìn)一步總結(jié)協(xié)同過濾推薦的思想、原理和方法,給出了協(xié)同過濾推體系的基本框架。以此為基礎(chǔ),深入剖析了協(xié)同過濾推薦的優(yōu)點(diǎn)與面臨的問題,明確進(jìn)行基于用戶興趣變化推薦所需要解決的關(guān)鍵問題。⑵從用戶角度和系統(tǒng)角度對(duì)用戶興趣變化問題進(jìn)行闡述。從心理學(xué)、行為學(xué)兩個(gè)方面闡述用戶興趣變化的成因,以此作為協(xié)同過濾推薦系統(tǒng)解決用戶興趣變化問題的關(guān)

4、鍵依據(jù)。⑶分析用戶興趣變化問題如何影響協(xié)同過濾推薦最核心的兩個(gè)過程,即最近鄰集合產(chǎn)生過程和用戶預(yù)測(cè)評(píng)分計(jì)算過程,進(jìn)而從這兩個(gè)過程對(duì)協(xié)同過濾推薦算法進(jìn)行改進(jìn),提高推薦的準(zhǔn)確性。⑷歸納總結(jié)了現(xiàn)有解決用戶興趣變化問題的研究方法和研究思路,根據(jù)處理用戶-項(xiàng)目評(píng)分矩陣方式的不同,給出基于用戶興趣變化的協(xié)同過濾推薦的分類:評(píng)分加權(quán)方法、評(píng)分選擇方法、基于其他領(lǐng)域知識(shí)方法。并對(duì)每一類推薦進(jìn)行了闡述,總結(jié)了其優(yōu)缺點(diǎn)。⑸在歸納總結(jié)的基礎(chǔ)上,以艾賓浩斯遺忘

5、曲線為理論基礎(chǔ),給出權(quán)重設(shè)計(jì)的原則。引入用戶訪問時(shí)間和用戶訪問頻率來描述用戶興趣變化,提出一個(gè)新的衡量用戶興趣變化的權(quán)重模型。將新權(quán)重模型與基于項(xiàng)目的協(xié)同過濾推薦算法相結(jié)合,給出實(shí)現(xiàn)推薦的具體算法和步驟。⑹以MovieLens數(shù)據(jù)集為實(shí)驗(yàn)數(shù)據(jù)集,將本文提出的新算法與傳統(tǒng)的基于項(xiàng)目的協(xié)同過濾推薦算法進(jìn)行多組比實(shí)驗(yàn)。新算法的推薦效果優(yōu)于傳統(tǒng)的基于項(xiàng)目的協(xié)同過濾推薦算法。
　　本文的創(chuàng)新點(diǎn)包括：①深入剖析用戶興趣變化問題,歸納影響用戶興

6、趣變化的因素,總結(jié)用戶興趣變化問題對(duì)協(xié)同過濾推薦的影響,為協(xié)同過濾推薦系統(tǒng)如何解決用戶興趣變化問題提供關(guān)鍵依據(jù)。②按照對(duì)用戶-項(xiàng)目評(píng)分矩陣的處理方式的不同,將現(xiàn)有解決用戶興趣變化的協(xié)同過濾推薦算法分為三類:評(píng)分加權(quán)方法、評(píng)分選擇方法和基于其他領(lǐng)域知識(shí)方法。突出了如何處理用戶-項(xiàng)目評(píng)分矩陣獲取用戶興趣這一解決用戶興趣變化的關(guān)鍵核心。③以艾賓浩斯遺忘曲線為理論基礎(chǔ),引入用戶訪問時(shí)間和用戶訪問頻率建立新的權(quán)重模型來描述用戶興趣變化,將新權(quán)重模