基于本體和知識(shí)規(guī)則的混合推薦研究.pdf

1、網(wǎng)絡(luò)資源中的信息量隨著網(wǎng)絡(luò)技術(shù)的發(fā)展也在急劇增加，用戶(hù)面對(duì)浩渺的信息如何尋找到自己感興趣的項(xiàng)目變成了負(fù)擔(dān)。用戶(hù)興趣的差異是不一樣的，但大多數(shù)目前的網(wǎng)絡(luò)應(yīng)用程序都提供的是相同的信息，因而不能滿(mǎn)足用戶(hù)的個(gè)性化需求。搜索引擎的出現(xiàn)可以使用戶(hù)使用字詞查詢(xún)自己感興趣的項(xiàng)目，然而它的服務(wù)卻是被動(dòng)的，并且系統(tǒng)返回的結(jié)果也不一定能滿(mǎn)足用戶(hù)興趣的需求。個(gè)性化推薦系統(tǒng)的誕生緩解了這一問(wèn)題，個(gè)性化推薦系統(tǒng)能夠自動(dòng)的為用戶(hù)發(fā)現(xiàn)興趣，并推薦用戶(hù)感興趣的項(xiàng)目，因而

2、成為了一種新的服務(wù)方式。通常，為了構(gòu)建一個(gè)推薦系統(tǒng)，一般都會(huì)考慮使用兩種最常見(jiàn)的推薦方法（或算法）:基于內(nèi)容過(guò)濾方法和協(xié)同過(guò)濾方法。然而，這兩種推薦方法都有各自的技術(shù)缺點(diǎn)。特征提取和特征表達(dá)是基于內(nèi)容過(guò)濾方法的困難之處，同時(shí)其也難以處理對(duì)用戶(hù)興趣趨向的預(yù)測(cè)。協(xié)同過(guò)濾方法則需要面臨冷啟動(dòng)問(wèn)題和矩陣稀疏性問(wèn)題。因此，推薦算法仍有很多改進(jìn)的地方。此外，傳統(tǒng)的推薦算法和系統(tǒng)所使用的項(xiàng)目和用戶(hù)數(shù)據(jù)模型非常的簡(jiǎn)單，其單純的使用評(píng)分和字詞來(lái)代表用戶(hù)興

3、趣和項(xiàng)目?jī)?nèi)容。推薦過(guò)程中使用的相似度計(jì)算公式不能考慮到項(xiàng)目特征和用戶(hù)興趣間更深層次的語(yǔ)義關(guān)系，因也推薦系統(tǒng)的精確度很低。最后傳統(tǒng)的推薦系統(tǒng)所使用的用戶(hù)興趣模型的更新方法也很簡(jiǎn)單，造成用戶(hù)興趣不精準(zhǔn)和推薦系統(tǒng)反映不靈敏等問(wèn)題。
　　本文的所有工作都是為了解決傳統(tǒng)推薦算法的不足和提高推薦系統(tǒng)的推薦質(zhì)量，本文采用本體這一新工具用于改良傳統(tǒng)的推薦算法。首先本文將本體用于構(gòu)建電影領(lǐng)域的用戶(hù)模型和項(xiàng)目模型，使得表達(dá)用戶(hù)興趣和項(xiàng)目?jī)?nèi)容的字詞在一

4、個(gè)領(lǐng)域本體中，并使各種推薦算法都能使用相同的數(shù)據(jù)模型。然后，本文構(gòu)造能夠通過(guò)分析用戶(hù)行為數(shù)據(jù)估算出用戶(hù)對(duì)視頻喜好程度的“喜好估算函數(shù)”。喜好估值函數(shù)一方面可以代替用戶(hù)評(píng)分用于減少傳統(tǒng)協(xié)同過(guò)濾算法的矩陣稀疏性，另一方面又可以為用戶(hù)興趣模型的自動(dòng)更新服務(wù)。本文還研究制定一套又快又精準(zhǔn)的用戶(hù)興趣更新方法，新的更新方法可以又快有精準(zhǔn)的分析出用戶(hù)的新興趣。另外，文本還構(gòu)建了用于電影領(lǐng)域推薦的基于本體的相似度計(jì)算公式，使得系統(tǒng)在計(jì)算相似度時(shí)能將字詞