基于組合算法的個性化推薦系統(tǒng)的研究和應用.pdf

1、隨著網(wǎng)絡時代的到來,互聯(lián)網(wǎng)技術的飛速發(fā)展逐漸打破了人們傳統(tǒng)的信息資源運轉模式。網(wǎng)絡信息發(fā)布簡便、快速、高效,使得信息資源的總量往往呈現(xiàn)爆炸式的增長,當用戶瀏覽信息時往往會淹沒在信息海洋中而找不到有價值的信息,出現(xiàn)信息過載現(xiàn)象。在這種背景下,個性化推薦系統(tǒng)應運而生,然而當前的個性化推薦系統(tǒng)存在推薦策略單一、推薦自動化低、缺乏個性化等問題。因此如何設計有效的個性化推薦系統(tǒng)成為當前個性化推薦領域的研究熱點,本文圍繞如何提高用戶對推薦滿意度的問

2、題進行深入研究,主要工作有:
　　 1)針對目前主流推薦算法普遍存在的稀疏性、冷啟動和準確性的問題,提出了一種基于內容和場景概率的組合推薦算法。首先,通過引入用戶點擊記錄改進Slope one算法的冷啟動問題;其次,引入場景概率來計算相似度,實時增量更新相似度矩陣;最后,通過引入內容信息,結合基于內容和基于評價矩陣的項目相似度計算,提升矩陣較稀疏時候的推薦效率;結果表明,該組合算法能夠較好地解決稀疏性問題,實時反映用戶興趣變化。

3、
　　 2)提出了適用于個性化推薦系統(tǒng)的用戶興趣模型和數(shù)據(jù)項模型。用戶興趣模型基于人腦記憶規(guī)律建立,用量化性的基于記憶力規(guī)律的用戶模型模擬用戶興趣的變化過程,并且用量的方式把用戶的興趣表示出來。數(shù)據(jù)項建模是指將一個數(shù)據(jù)項轉化為系統(tǒng)內部表示的過程,如直接將項目數(shù)據(jù)項表示為分詞得到的向量,由此產生數(shù)據(jù)項相似度比較的時間代價很高而且可能丟失部分有用信息;本文利用FLD算法對項目特征空間進行降維,用產生的結果建立項目主題模型,較好的解決