基于上下文建模的協(xié)同過濾算法研究.pdf

1、隨著互聯(lián)網(wǎng)的廣泛應(yīng)用，用戶所能接觸的信息呈爆發(fā)式增長，通過大數(shù)據(jù)分析用戶行為模式、預(yù)測趨勢的研究開始流行起來。而此時，推薦系統(tǒng)的出現(xiàn)，通過主動給用戶推薦其可能感興趣的商品和服務(wù)，大大降低了用戶從海量信息中找到自己感興趣的內(nèi)容的難度。
　　傳統(tǒng)的推薦系統(tǒng)一般是根據(jù)分析用戶的行為、偏好、個人特征，計算用戶之間的相似度，為其產(chǎn)生推薦。通常假定用戶喜好一成不變，沒有考慮上下文因素對用戶選擇的影響。上下文感知推薦系統(tǒng)在傳統(tǒng)推薦系統(tǒng)上進行擴展

2、，不再僅僅關(guān)注用戶與項目之間關(guān)聯(lián)，它充分考慮上下文環(huán)境（如季節(jié)、地域、心情等）對用戶決策的影響，將用戶當(dāng)前所處的上下文信息運用到推薦過程中。這使得推薦結(jié)果不僅滿足個性化要求而且符合情境化需要。在此基礎(chǔ)上，本文應(yīng)用貝葉斯方法對上下文建模，判斷某情境中，上下文對用戶決策的影響力，改進協(xié)同過濾算法，更好的為用戶做出個性化的推薦。本文主要在如下幾個方面做了研究工作:
　　1.分析上下文的意義和作用，比較了幾種上下文范式，選用計算最為復(fù)雜但

3、效果最佳的上下文建模范式，結(jié)合貝葉斯方式來構(gòu)建上下文用戶興趣模型，計算用戶對項目的評分中上下文出現(xiàn)的概率，將概率作為權(quán)重融入到模型中。
　　2.在求解單個用戶對單個項目所有評分數(shù)據(jù)中，考慮到樣本量少，難以求得各上下文出現(xiàn)的概率。將用戶和項目聚類處理，實驗證明，這種分類有助于解決數(shù)據(jù)稀疏性和計算的復(fù)雜度問題。
　　3.改進基于用戶的協(xié)同過濾算法，將上下文因素融入到算法中，提高推薦的準(zhǔn)確度。
　　4.本文在兩個數(shù)據(jù)集上做離