基于標簽聚類和興趣劃分的個性化推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)的發(fā)展，大量信息出現(xiàn)在人們的視野中。信息爆炸使人們能更方便地接收多方面的信息。但與此同時，有價值信息的快速獲取也變得更加困難。為了解決這種情況，人們通常在獲取信息時先對其進行檢索和過濾。搜索引擎作為信息檢索技術(shù)的代表可以很好地幫助人們從海量的信息中檢索出有用的信息。但當搜索的關(guān)鍵詞不能恰當?shù)姆磻?yīng)出搜索需求時，查詢的結(jié)果就會令人失望。而個性化推薦作為信息過濾中典型的應(yīng)用正好可以彌補這方面的不足。
　　目前主流的推薦算法包括

2、基于內(nèi)容的推薦、協(xié)同過濾推薦、基于規(guī)則的推薦、混合推薦等。在這些推薦算法中，協(xié)同過濾技術(shù)是實際應(yīng)用中最為廣泛的推薦技術(shù)。它根據(jù)產(chǎn)品評分和相似性算法選出與目標用戶有著相似興趣偏好的用戶集合，再從這些相似用戶評價高的產(chǎn)品中選出那些目標用戶尚未評價過的產(chǎn)品推薦給用戶。但傳統(tǒng)的協(xié)同過濾沒有考慮到標簽對推薦結(jié)果的影響，只根據(jù)用戶對資源的評分單方面挖掘用戶興趣，未能對用戶興趣進行有效劃分，同時也忽略了用戶興趣隨著時間推移發(fā)生的變化。為了解決以上問題

3、，本文進行了如下研究:
　　1.針對傳統(tǒng)的協(xié)同過濾忽略了用戶喜好因時間推移而發(fā)生的改變，本文提出了一種融合時間因子的協(xié)同過濾推薦算法。該算法考慮了產(chǎn)品評分時間和不同時段產(chǎn)品受關(guān)注的程度對用戶興趣偏好的影響，分別建立了時間遺忘模型和時間窗口模型，并把這兩種模型融合，生成時間因子。之后，在用戶相似度的計算中通過時間因子對產(chǎn)品評分進行時間上的過濾，從而能夠更加準確地計算出目標用戶的相似用戶，減小因時間因素造成的推薦質(zhì)量的下降。實驗表明該

4、法能有效地適應(yīng)用戶興趣變化，提高智能Web系統(tǒng)在推薦中的準確率。
　　2.考慮到用戶與標簽之間的關(guān)系，本文提出了一種基于標簽聚類和興趣劃分的協(xié)同過濾推薦算法。該算法考慮了標簽和用戶評分對推薦結(jié)果的影響，通過標簽聚類劃分用戶興趣，并分別在標簽和產(chǎn)品評分上對目標用戶的相似用戶進行選擇。同時，在計算標簽和產(chǎn)品評分權(quán)重時融入了時間因子，以適應(yīng)用戶的興趣變化。實驗部分，在Movielens數(shù)據(jù)集上通過交叉驗證和與其它推薦算法的對比說明了該算