基于用戶行為的動態(tài)推薦系統(tǒng)算法研究及實現(xiàn).pdf

1、互聯(lián)網(wǎng)的高速發(fā)展使其承載信息呈現(xiàn)爆炸式增長，人們在面對海量信息時往往會陷入不知如何選擇的困境，推薦系統(tǒng)（Recommed System）由此產(chǎn)生。推薦系統(tǒng)能夠根據(jù)用戶的歷史行為數(shù)據(jù)，向用戶推薦感興趣的物品。同時，用戶的興趣是不斷變化的，這就要求推薦系統(tǒng)具有動態(tài)性。傳統(tǒng)的推薦算法大多基于協(xié)同過濾，對具體用戶的興趣模型沒有充分考慮，不能動態(tài)預(yù)測用戶興趣的變化。
　　本論文深入分析了用戶行為與用戶興趣的關(guān)系，研究了推薦系統(tǒng)的動態(tài)性以及基

2、于用戶行為的動態(tài)推薦模型，設(shè)計了基于Hadoop的微博推薦系統(tǒng)原型。論文主要工作如下：
　　1、深入分析推薦系統(tǒng)的動態(tài)性，研究用戶行為與興趣之間的關(guān)系。通過對用戶行為進行分類，重點分析和研究目前主要的互聯(lián)網(wǎng)行為，包括瀏覽行為、評論行為、評分行為；通過分析瀏覽行為，提出并改進基于PV的瀏覽行為興趣模型，并對模型進行了實驗仿真；通過分析評論行為中所包含的用戶情感，建立情感與評分的回歸模型；通過分析由用戶評分高低與其所表達的用戶興趣愛好

3、程度大小之間的關(guān)系，提出了一種模糊興趣分類方法。
　　2、利用用戶行為與用戶興趣的關(guān)系，根據(jù)電容充放電原理，提出了推薦系統(tǒng)中用戶的興趣壓、興趣阻以及興趣流等概念，并由此建立一種基于興趣流的動態(tài)推薦模型。同時研究該模型在單用戶、多用戶、動態(tài)多用戶情況下，該模型的具體計算過程和實現(xiàn)方式。采用Movielens視頻網(wǎng)站的實驗數(shù)據(jù)，分析用戶在觀看電影過程中興趣愛好的變化并對其量化，建立用戶的興趣愛好模型，向用戶推薦用戶感興趣的電影；通過分