融合多種上下文的協(xié)同過濾推薦算法研究.pdf

1、現(xiàn)在我們處在信息急速爆炸的時(shí)代，這時(shí)候很難做到為用戶提供符合心意的有用信息。因?yàn)樗阉饕娴某霈F(xiàn)，用戶減少了部分信息過載壓力，但存在結(jié)果單一性問題，無法提供差異性的可以滿足用戶偏好的服務(wù)。具體的，推薦系統(tǒng)通過探究其核心的相關(guān)信息，即用戶的行為、偏好和環(huán)境上下文等因素，篩選掉與用戶喜好無關(guān)的信息，從而為用戶推薦滿足個(gè)性化需求的服務(wù)。
　　協(xié)同過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行為背后信息，篩選到相似用戶，依

2、據(jù)相似用戶對某一具體資源的偏好來推斷目標(biāo)用戶對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)域中用戶由網(wǎng)頁瀏覽者到物品選購者的轉(zhuǎn)化率。
　　盡管協(xié)同過濾算法取得了不錯(cuò)的成績，但傳統(tǒng)協(xié)同過濾算法僅通過單一評分來挖掘相似用戶（物品），推薦的效果并不占優(yōu)勢。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)同過濾推薦算法中，以期提高個(gè)性化推薦的質(zhì)量。
　　通過大量的與協(xié)同過濾算法相關(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：
　　（1）將時(shí)間上下文信息加入到協(xié)同過濾推薦算法中。利用用戶先后購買同一物品的時(shí)間關(guān)系來衡量用戶間相似度，得到用戶特征向量；利用物品先后被同一用戶購買的時(shí)間關(guān)系來衡量物品間相似度，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其進(jìn)行優(yōu)化來降低誤差。
　?。?）將

4、標(biāo)簽上下文信息加入到協(xié)同過濾推薦算法中。利用標(biāo)簽信息來豐富用戶（物品）信息，提出了一種基于用戶（物品）標(biāo)簽特征向量的建模方法。通過用戶-標(biāo)簽、物品-標(biāo)簽二部圖求出用戶間相似度和物品間的相似度。將用戶評分的時(shí)間上下文因素考慮進(jìn)來，對最近鄰模型進(jìn)行優(yōu)化，動(dòng)態(tài)發(fā)現(xiàn)對當(dāng)前用戶（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)同過濾推薦算法。通過時(shí)間上下文來計(jì)算用戶相似度，通過標(biāo)簽上下文來計(jì)算物品相似度，最后融合