融合多種上下文的協(xié)同過(guò)濾推薦算法研究.pdf

1、現(xiàn)在我們處在信息急速爆炸的時(shí)代，這時(shí)候很難做到為用戶(hù)提供符合心意的有用信息。因?yàn)樗阉饕娴某霈F(xiàn)，用戶(hù)減少了部分信息過(guò)載壓力，但存在結(jié)果單一性問(wèn)題，無(wú)法提供差異性的可以滿(mǎn)足用戶(hù)偏好的服務(wù)。具體的，推薦系統(tǒng)通過(guò)探究其核心的相關(guān)信息，即用戶(hù)的行為、偏好和環(huán)境上下文等因素，篩選掉與用戶(hù)喜好無(wú)關(guān)的信息，從而為用戶(hù)推薦滿(mǎn)足個(gè)性化需求的服務(wù)。
　　協(xié)同過(guò)濾是目前眾多推薦方法中應(yīng)用范圍最廣的。它的基本思想是挖掘用戶(hù)行為背后信息，篩選到相似用戶(hù)，依

2、據(jù)相似用戶(hù)對(duì)某一具體資源的偏好來(lái)推斷目標(biāo)用戶(hù)對(duì)具體資源的喜好程度，依照其值順序推薦。實(shí)踐證明，此算法可提高電子商務(wù)領(lǐng)域中用戶(hù)由網(wǎng)頁(yè)瀏覽者到物品選購(gòu)者的轉(zhuǎn)化率。
　　盡管協(xié)同過(guò)濾算法取得了不錯(cuò)的成績(jī)，但傳統(tǒng)協(xié)同過(guò)濾算法僅通過(guò)單一評(píng)分來(lái)挖掘相似用戶(hù)（物品），推薦的效果并不占優(yōu)勢(shì)。不少學(xué)者將時(shí)間、地點(diǎn)、標(biāo)簽等上下文信息融合到協(xié)同過(guò)濾推薦算法中，以期提高個(gè)性化推薦的質(zhì)量。
　　通過(guò)大量的與協(xié)同過(guò)濾算法相關(guān)的文獻(xiàn)閱讀、資料總結(jié)與內(nèi)容討

3、論，本文在經(jīng)典的算法基礎(chǔ)上進(jìn)行了創(chuàng)新和改進(jìn)，大量的模擬實(shí)驗(yàn)結(jié)果證明了新算法的可行性與優(yōu)越性。具體的工作總結(jié)為以下幾部分：
　?。?）將時(shí)間上下文信息加入到協(xié)同過(guò)濾推薦算法中。利用用戶(hù)先后購(gòu)買(mǎi)同一物品的時(shí)間關(guān)系來(lái)衡量用戶(hù)間相似度，得到用戶(hù)特征向量；利用物品先后被同一用戶(hù)購(gòu)買(mǎi)的時(shí)間關(guān)系來(lái)衡量物品間相似度，可以計(jì)算得到該物品的特征向量；最后，將前面得到的特征向量融合到概率矩陣分解模型中并不斷的對(duì)其進(jìn)行優(yōu)化來(lái)降低誤差。
　　（2）將

4、標(biāo)簽上下文信息加入到協(xié)同過(guò)濾推薦算法中。利用標(biāo)簽信息來(lái)豐富用戶(hù)（物品）信息，提出了一種基于用戶(hù)（物品）標(biāo)簽特征向量的建模方法。通過(guò)用戶(hù)-標(biāo)簽、物品-標(biāo)簽二部圖求出用戶(hù)間相似度和物品間的相似度。將用戶(hù)評(píng)分的時(shí)間上下文因素考慮進(jìn)來(lái)，對(duì)最近鄰模型進(jìn)行優(yōu)化，動(dòng)態(tài)發(fā)現(xiàn)對(duì)當(dāng)前用戶(hù)（物品）影響最大的鄰居集合。
　?。?）提出一種融合時(shí)間上下文和標(biāo)簽上下文的協(xié)同過(guò)濾推薦算法。通過(guò)時(shí)間上下文來(lái)計(jì)算用戶(hù)相似度，通過(guò)標(biāo)簽上下文來(lái)計(jì)算物品相似度，最后融合