上下文感知推薦算法研究.pdf

1、當(dāng)今時(shí)代數(shù)據(jù)量飛速增長(zhǎng)，信息出現(xiàn)超載，為過(guò)濾無(wú)用信息，個(gè)性化推薦系統(tǒng)應(yīng)運(yùn)而生。目前個(gè)性化推薦系統(tǒng)已應(yīng)用于廣泛的領(lǐng)域中，如電子商務(wù)、社交網(wǎng)絡(luò)、音樂(lè)電影推薦等。協(xié)同過(guò)濾算法是當(dāng)前推薦系統(tǒng)中使用最為廣泛的算法，它是基于尋找相似近鄰的思想，在合適的環(huán)境下推薦效果良好。但是協(xié)同過(guò)濾算法的興趣矩陣具有稀疏性。這將導(dǎo)致系統(tǒng)為新用戶或歷史記錄少的用戶進(jìn)行推薦時(shí)，會(huì)因數(shù)據(jù)匱乏而出現(xiàn)冷啟動(dòng)問(wèn)題。
　　同時(shí)，伴隨著智能手機(jī)的普及和上下文感知技術(shù)的快速發(fā)

2、展，計(jì)算模式已逐漸擺脫傳統(tǒng)的桌面環(huán)境計(jì)算，而轉(zhuǎn)向普適計(jì)算模式。新的計(jì)算模式在普適環(huán)境中為推薦系統(tǒng)“感知”了大量的上下文信息，這些信息包括時(shí)間、地點(diǎn)、年齡、職業(yè)、物品屬性等，它們對(duì)用戶興趣產(chǎn)生了巨大的影響。然而，傳統(tǒng)的推薦算法卻僅著眼于用戶和物品之間的二重關(guān)系，無(wú)法適應(yīng)用戶、物品、上下文信息的多維環(huán)境的推薦，從而造成了上下文信息的浪費(fèi)，限制了推薦質(zhì)量的進(jìn)一步提高。
　　本文針對(duì)以上兩種問(wèn)題，做了如下工作。首先，提出了融入上下文信息的