融合時間因素的個性化推薦系統(tǒng)研究.pdf

1、推薦系統(tǒng)作為解決信息過載問題的重要方案之一，通過挖掘用戶歷史行為記錄來預(yù)測用戶未來的行為，其本質(zhì)是通過將用戶與項目關(guān)聯(lián)起來，向用戶推薦他可能感興趣的項目。近年來，由于協(xié)同過濾推薦的思路簡單易實現(xiàn)，具有較為可靠的推薦效果和較強的適應(yīng)性，已被成功應(yīng)用于社交網(wǎng)絡(luò)、新聞媒體和電子商務(wù)網(wǎng)站等各大領(lǐng)域?，F(xiàn)有的協(xié)同過濾推薦主要分為基于用戶和基于項目的算法，通過分析用戶的評分數(shù)據(jù)或歷史行為來預(yù)測用戶對項目的感興趣程度，忽略了時間因素對推薦系統(tǒng)的影響。而

2、現(xiàn)有的關(guān)于動態(tài)推薦系統(tǒng)的研究，僅單方面考慮了時間因素，并沒有充分考慮用戶評分特性，使得時間因素對推薦系統(tǒng)的作用沒有完全發(fā)揮出來。
　　綜上所述，本文針對現(xiàn)有推薦系統(tǒng)較少考慮用戶興趣的動態(tài)變化和時間因素對推薦結(jié)果的影響，以及沒有充分考慮用戶評分特性，導(dǎo)致推薦結(jié)果不準(zhǔn)確的問題，展開了以下幾方面的研究：
　　(1)提出了一種融合時間因素的協(xié)同過濾算法(CF-TI)。基于傳統(tǒng)的協(xié)同過濾算法，通過引入反映人們遺忘規(guī)律的艾賓浩斯遺忘曲線

3、，考慮用戶興趣隨時間的動態(tài)變化，引入了一時間權(quán)重函數(shù)，并考慮到不同用戶的特異性，在進行評分預(yù)測時考慮用戶間的非對稱影響度。通過在HetRec2011和MovieLens1M數(shù)據(jù)集上的實驗分析表明，相對于目前比較流行的算法，該算法在推薦結(jié)果的準(zhǔn)確率、召回率、F1值上均有較大的提升，在解決推薦系統(tǒng)時效性問題的基礎(chǔ)上，有效提高了推薦系統(tǒng)的推薦質(zhì)量。
　　(2)提出了一種基于用戶偏好模型的協(xié)同過濾算法(CF-TP)。在CF-TI算法的基礎(chǔ)

4、上，充分挖掘用戶評分特性，考慮用戶評分習(xí)慣差異，引入了用戶偏好模型，將用戶-項目評分矩陣轉(zhuǎn)化為了用戶-項目偏好得分矩陣。在進行偏好得分預(yù)測時，考慮了用戶之間的非對稱影響度并引入時間權(quán)重函數(shù)。通過在HetRec2011和MovieLens1M數(shù)據(jù)集上的實驗表明，本文提出的算法能有效提高推薦系統(tǒng)的準(zhǔn)確率、召回率和F1值,相對于目前比較流行的算法及CF-TI算法，更進一步提升了推薦算法的性能。
　　(3)設(shè)計了一個完整的個性化電影推薦系