基于用戶興趣向量的混合推薦算法.pdf

1、隨著網(wǎng)絡(luò)信息化新格局的出現(xiàn)，人們?cè)诨ヂ?lián)網(wǎng)中的角色逐漸發(fā)生了變化。一方面，作為信息瀏覽者，可以利用更加豐富的網(wǎng)絡(luò)資源滿足自己的需求。另一方面，作為信息制造者，人們正在習(xí)慣將生活中的點(diǎn)點(diǎn)滴滴上傳到互聯(lián)網(wǎng)，同時(shí)以史無(wú)前例的速度繼續(xù)生產(chǎn)內(nèi)容。這種海量信息的呈現(xiàn)使得用戶無(wú)所適從，想要從中挑出真正吻合用戶興趣的內(nèi)容非常困難，這就出現(xiàn)了信息過(guò)載現(xiàn)象。所以，當(dāng)下信息過(guò)載問(wèn)題的解決變得日益迫切。推薦系統(tǒng)是解決信息過(guò)載問(wèn)題的關(guān)鍵技術(shù)之一，成為了無(wú)數(shù)學(xué)者追逐

2、研究的熱點(diǎn)。推薦系統(tǒng)通過(guò)獲取服務(wù)器中用戶的行為日志，得到可以描述用戶興趣的原始數(shù)據(jù)，進(jìn)而構(gòu)建用戶的興趣模型，通過(guò)相似度分析計(jì)算，為用戶呈現(xiàn)更加個(gè)性化的瀏覽頁(yè)面，從而提高用戶的瀏覽效率和使用感受。推薦系統(tǒng)不僅僅是一個(gè)熱門的理論研究方向，而且作為一種有效的營(yíng)銷手段已經(jīng)廣泛應(yīng)用于互聯(lián)網(wǎng)。然而，面對(duì)越來(lái)越復(fù)雜多樣的應(yīng)用場(chǎng)景，推薦系統(tǒng)暴露出了若干問(wèn)題，如:數(shù)據(jù)稀疏性問(wèn)題、用戶興趣遷移問(wèn)題等。
　　本文針對(duì)現(xiàn)有技術(shù)存在的問(wèn)題，研究了電影推薦中

3、的推薦算法，同時(shí)研究了基于推薦算法的醫(yī)療冷柜存儲(chǔ)策略，提出有效的解決方案。主要內(nèi)容包括：⑴以電影推薦為應(yīng)用背景，提出了一種基于用戶興趣向量的混合電影推薦算法。眾所周知，基于協(xié)同過(guò)濾的推薦算法對(duì)于用戶的興趣變化不敏感，同時(shí)數(shù)據(jù)稀疏性問(wèn)題也制約了該算法的發(fā)展。針對(duì)這兩個(gè)問(wèn)題，提出了一種新型的基于用戶興趣向量的混合電影推薦算法。為了解決數(shù)據(jù)稀疏性問(wèn)題，本文引入了用戶混合興趣向量。從電影特征向量入手，借助用戶的評(píng)分矩陣以迭代的方式處理得到用戶的

4、興趣特征向量，根據(jù)得到的用戶興趣向量和用戶的評(píng)分信息組成用戶混合興趣向量，進(jìn)而構(gòu)建用戶相似矩陣，最終根據(jù)傳統(tǒng)的協(xié)同過(guò)濾評(píng)分方式完成推薦。針對(duì)用戶興趣變化的情況，在構(gòu)建用戶興趣向量過(guò)程中融入時(shí)間因子，使得越接近當(dāng)前時(shí)間的評(píng)分行為權(quán)重越大，越能反映出用戶的當(dāng)前興趣。本文在 Movielens數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，并與現(xiàn)有的相關(guān)算法進(jìn)行了性能比較。實(shí)驗(yàn)結(jié)果表明本文算法在預(yù)測(cè)評(píng)分準(zhǔn)確性和收斂性上都有明顯的提高。⑵以醫(yī)療冷柜為應(yīng)用背景，提出一種基于

5、用戶行為的智能醫(yī)療冷柜系統(tǒng)中樣品的智能存取策略。該策略在智能醫(yī)療冷柜的自動(dòng)化提取過(guò)程中加入樣品推薦模塊，增強(qiáng)用戶與冷柜系統(tǒng)的交互能力，提升用戶的工作效率。具體的，該策略重點(diǎn)解決以下技術(shù)問(wèn)題；如何利用豐富的樣品內(nèi)容信息輔助存儲(chǔ)；如何根據(jù)用戶的存取行為構(gòu)建有效的提取策略。通過(guò)實(shí)時(shí)收集用戶的存儲(chǔ)和提取行為建立用戶的行為數(shù)據(jù)，結(jié)合樣品本身特征屬性和用戶行為的數(shù)據(jù)分析，建立樣品之間的關(guān)聯(lián)度矩陣，從而針對(duì)待存儲(chǔ)樣品給出合理的存儲(chǔ)位置。同時(shí)，在用戶提