基于上下文的信息推薦系統(tǒng)研究.pdf

1、隨著大數(shù)據(jù)時(shí)代的到來，“信息過載”問題愈發(fā)嚴(yán)重，為了解決信息提供者與信息使用者需求良好匹配的問題，互聯(lián)網(wǎng)智能化產(chǎn)品—推薦系統(tǒng)應(yīng)運(yùn)而生。
　　本文基于上下文的信息推薦系統(tǒng)（Context-Aware Recommender System,CARS）研究是以傳統(tǒng)推薦系統(tǒng)為基礎(chǔ)，是它的拓展與延伸。文中給出的基于情感上下文因素的信息推薦模型分別通過語義差分法制定態(tài)度量表和挖掘信息產(chǎn)品文本評(píng)論兩種常見方式提取用戶情感偏好，并在此基礎(chǔ)上將用戶

2、情感因素融入到推薦模型中，使得推薦系統(tǒng)帶來更高的精確度和更好的用戶滿意度。主要研究工作如下：
　　1.基于用戶感性語義上下文信息推薦方法研究。針對(duì)新產(chǎn)品推薦過程中的評(píng)價(jià)匹配問題，給出了一種面向用戶特殊需求偏好的感性推薦方法。首先通過語義差分法和語義變量設(shè)計(jì)問卷獲得待估新信息產(chǎn)品的感性信息數(shù)據(jù)以及在用戶不同偏好關(guān)系下的感性目標(biāo)可能性分布；然后提出了以用戶感性需求為導(dǎo)向的推薦效用函數(shù)，并運(yùn)用混合加權(quán)平均算子對(duì)各方案匹配信息集結(jié)計(jì)算；最

3、后，依據(jù)效用函數(shù)值大小對(duì)各方案進(jìn)行排序。尤其針對(duì)用戶特殊需求給定時(shí)，該模型效用函數(shù)可以計(jì)算出新產(chǎn)品與用戶特殊偏好的匹配程度。并將其應(yīng)用于智能家電產(chǎn)品方案的推薦優(yōu)選中，實(shí)例計(jì)算表明，本研究給出的方法具有可行性和實(shí)用性。
　　2.用戶情境感知的上下文信息推薦系統(tǒng)研究。探索從文本評(píng)論信息中挖掘用戶情境/情緒上下文信息，并用于上下文推薦模型產(chǎn)生更好的系統(tǒng)推薦結(jié)果。首先通過對(duì)用戶需求描述中上下文的挖掘，確定用戶當(dāng)前的上下文。其中上下文推理部

4、分是針對(duì)京東爬取的書籍評(píng)論數(shù)據(jù)集采用Gibbs抽樣訓(xùn)練L-LDA模型得到一個(gè)分類器，選取被分配最高主題概率的類別作為需求描述中用戶當(dāng)前的上下文。同時(shí)，運(yùn)用k-近鄰算法/協(xié)同過濾算法預(yù)測(cè)用戶最適合的物品項(xiàng)i，得到傳統(tǒng)評(píng)分預(yù)測(cè)值。當(dāng)給定用戶上下文時(shí)，計(jì)算用戶和物品的匹配度，選擇最符合用戶當(dāng)前上下文的物品項(xiàng)。結(jié)合傳統(tǒng)預(yù)測(cè)評(píng)分值加權(quán)融入上下文狀態(tài)匹配度根據(jù)這兩部分結(jié)果計(jì)算得到效用值，根據(jù)值大小對(duì)各物品項(xiàng)進(jìn)行排序，得到最優(yōu)推