基于流行度預(yù)測的個(gè)性化媒體推薦算法研究.pdf

1、上下文感知推薦系統(tǒng)（Context-aware Recommendation Systems，簡稱CARS）已經(jīng)成為個(gè)性化推薦研究領(lǐng)域最為活躍的研究領(lǐng)域之一。上下文感知推薦技術(shù)的主要研究任務(wù)，就是如何利用用戶的上下文信息，在傳統(tǒng)推薦技術(shù)的基礎(chǔ)上進(jìn)一步提高推薦結(jié)果的精確度和用戶的滿意度。上下文感知推薦技術(shù)因其普適計(jì)算和個(gè)性化的特征被廣泛應(yīng)用在許多工業(yè)領(lǐng)域中，近年來，尤其在電子商務(wù)、信息檢索、移動(dòng)應(yīng)用、電影和音樂推薦和電子旅游等領(lǐng)域具有廣闊

2、的應(yīng)用前景。雖然上下文感知推薦技術(shù)的研究已經(jīng)取得了一定進(jìn)展，但是仍然是一個(gè)充滿問題和挑戰(zhàn)的新興研究領(lǐng)域。上下文感知推薦過程中存在上下文信息種類和類型復(fù)雜、用戶需求各異等問題，使得充分結(jié)合用戶的上下文信息以針對不同用戶的需求推薦適當(dāng)?shù)馁Y源相當(dāng)困難，不能得到很好的用戶滿意度。因此，在用戶上下文復(fù)雜和需求各異的情況下，仍能得出精確的推薦結(jié)果和較高的用戶滿意度，就成為一個(gè)亟待解決的問題。
　　基于上述分析，本文針對數(shù)字家庭環(huán)境，對上下文感

3、知推薦相關(guān)的技術(shù)進(jìn)行分析，并結(jié)合研究環(huán)境中存在的問題和傳統(tǒng)推薦技術(shù)的不足，嘗試?yán)昧餍卸阮A(yù)測技術(shù)進(jìn)行改進(jìn)，并利用多元線性回歸技術(shù)進(jìn)行流行度的預(yù)測，本文主要研究上下文感知推薦過程中的上下文信息結(jié)合不充分和新興趣點(diǎn)挖掘問題，在傳統(tǒng)推薦技術(shù)的基礎(chǔ)上，針對數(shù)字家庭環(huán)境中的上下文信息特點(diǎn)，提出一種基于流行度預(yù)測的個(gè)性化媒體推薦算法MRAPP。該算法首先分析數(shù)字家庭環(huán)境下用戶的上下文信息，并對上下文信息進(jìn)行分類建模，通過傳統(tǒng)的基于內(nèi)容的推薦技術(shù)CB

4、計(jì)算推薦結(jié)果，然后，針對基于內(nèi)容推薦技術(shù)無法為用戶推薦新興趣點(diǎn)的問題，引入流行度的概念。文中通過理論證明和仿真實(shí)驗(yàn)，論證了MRAPP算法的有效性。
　　本文的創(chuàng)新點(diǎn)在于考慮到用戶已經(jīng)不滿足于與其上下文信息相似的推薦資源，而需要推薦技術(shù)為其挖掘新的興趣點(diǎn)，因此，引入了流行度的概念，并通過在服務(wù)器端利用多元線性回歸計(jì)算流行度的預(yù)測值，結(jié)合基于內(nèi)容推薦技術(shù)的推薦結(jié)果，為用戶推薦適合其環(huán)境的新資源，提高了用戶的滿意度。
　　個(gè)性化媒