基于面向?qū)ο笏枷牒偷湫陀脩?hù)群組的個(gè)性化推薦方法研究.pdf

1、隨著互聯(lián)網(wǎng)的發(fā)展和信息技術(shù)的進(jìn)步，推薦系統(tǒng)已經(jīng)成為人們從海量信息中獲得有用知識(shí)、避免信息爆炸的一種有效手段。但是在推薦系統(tǒng)的實(shí)際應(yīng)用中，既面臨著如何正確運(yùn)用豐富的情境信息提升推薦效果的現(xiàn)實(shí)問(wèn)題，也面臨著海量用戶(hù)和項(xiàng)目帶來(lái)的計(jì)算和存儲(chǔ)壓力。推薦系統(tǒng)在實(shí)踐應(yīng)用中面臨的各種難題，對(duì)于現(xiàn)有推薦系統(tǒng)提出了更高的挑戰(zhàn)。為此，本文從情境信息高效處理、多樣化特征篩選、典型用戶(hù)子集發(fā)現(xiàn)三個(gè)方面，探討了如何處理推薦系統(tǒng)面臨的實(shí)際應(yīng)用問(wèn)題，從而在保證效率的同

2、時(shí)提升推薦效果。本文的工作和貢獻(xiàn)可以概括如下:
　　首先，基于面向?qū)ο蟮乃枷?，提出了基于特征值?duì)的推薦系統(tǒng)對(duì)象表示方法，設(shè)計(jì)了面向?qū)ο蟮耐扑]系統(tǒng)(ORS)框架。已有的使用情境信息的模型通常關(guān)注于一兩種特定的信息，缺乏系統(tǒng)化動(dòng)態(tài)引入多種情境信息的能力。針對(duì)該問(wèn)題，本文探討了如何基于面向?qū)ο笏枷胍攵鄻踊榫承畔⒂糜谕扑]。具體而言，采用特征值對(duì)統(tǒng)一表示情境信息，并用特征值對(duì)(Feature Value Pair)的集合表示推薦系統(tǒng)中的

3、對(duì)象，利用特征值對(duì)之間的關(guān)聯(lián)推導(dǎo)對(duì)象相似度后，使用協(xié)同過(guò)濾算法實(shí)現(xiàn)推薦。基于此設(shè)計(jì)了面向?qū)ο蟮耐扑]系統(tǒng)(ORS)框架，并實(shí)現(xiàn)了面向?qū)ο蟮呢惾~斯網(wǎng)絡(luò)(OBN)模型用以計(jì)算對(duì)象相似度。在旅游領(lǐng)域真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果顯示，基于OBN模型的ORS框架是一種優(yōu)秀的推薦系統(tǒng)框架。
　　其次，在面向?qū)ο蟮耐扑]系統(tǒng)(ORS)框架中，提出了面向?qū)ο蟮闹黝}模型(OTM)，設(shè)計(jì)了基于特征信息熵的特征選擇方法。在推薦系統(tǒng)的實(shí)際應(yīng)用中，面臨著如何正確運(yùn)用

4、豐富的情境信息提升推薦效果的現(xiàn)實(shí)問(wèn)題。本文研究發(fā)現(xiàn)，不同類(lèi)型情境信息對(duì)于推薦結(jié)果的貢獻(xiàn)并不相同。基于此發(fā)現(xiàn)，本文提出融合情境信息表示用戶(hù)隱式興趣的OTM模型，并基于OTM模型計(jì)算不同情境信息的特征信息熵，從而選擇對(duì)于推薦效果提升貢獻(xiàn)最大的特征。在真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果顯示，OTM模型的推薦效果好于傳統(tǒng)的推薦方法，在給出可理解的主題分布的同時(shí)，也可以用于有效的篩選特征以?xún)?yōu)化推薦結(jié)果。
　　最后，提出推薦系統(tǒng)中典型用戶(hù)群組(TUG)的

5、概念，設(shè)計(jì)了基于典型用戶(hù)群組的協(xié)同過(guò)濾推薦算法。推薦系統(tǒng)實(shí)踐中常常篩選一個(gè)小規(guī)模用戶(hù)子集用于研究，但并未量化考慮用戶(hù)子集的代表性。針對(duì)這一問(wèn)題，本文基于推薦項(xiàng)目覆蓋率提出典型用戶(hù)群組的概念，在保證較高的推薦項(xiàng)目覆蓋率和較為準(zhǔn)確的評(píng)分基礎(chǔ)上，篩選得到全體用戶(hù)的一個(gè)較優(yōu)子集。同時(shí)在協(xié)同過(guò)濾推薦過(guò)程中，從典型用戶(hù)群組中尋找最近鄰居，在保證最近鄰居代表性的同時(shí)降低計(jì)算開(kāi)銷(xiāo)。在真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果顯示，典型用戶(hù)群組具有更高的項(xiàng)目覆蓋率和較小的評(píng)