基于語用情境的資源推薦研究及應(yīng)用.pdf

1、隨著互聯(lián)網(wǎng)的飛速發(fā)展，網(wǎng)絡(luò)信息過載已成為目前網(wǎng)絡(luò)用戶所面臨的主要問題，資源推薦系統(tǒng)為解決這一問題提供了有效手段，它可以為用戶提供信息過濾和資源推薦服務(wù)，提高了用戶的工作效率，正逐漸被大多數(shù)用戶所青睞，而資源推薦的研究亦成為學(xué)者研究的重要領(lǐng)域。目前，現(xiàn)有的主要推薦系統(tǒng)有基于規(guī)則的推薦、基于內(nèi)容的推薦、協(xié)同過濾推薦等。
　　基于規(guī)則的推薦是根據(jù)用戶和規(guī)則模型產(chǎn)生的推薦，它可以滿足用戶實時性的需要，但規(guī)則的制定需要領(lǐng)域?qū)＜业膮⑴c，隨著時

2、間的推移會產(chǎn)生偏差和難以更新的問題，從而降低推薦的效率?；趦?nèi)容的推薦是通過計算被推薦資源的內(nèi)容與用戶興趣的相似性來選擇所要推薦的資源，但是它只能依靠用戶的興趣進行推薦，并不能找到用戶新的興趣之處，所以推薦也會局限在用戶訪問的歷史記錄中。
　　協(xié)同過濾推薦目前是資源推薦系統(tǒng)中最成功的資源推薦技術(shù)，并且在很多的資源推薦系統(tǒng)中都得到了大量的應(yīng)用，協(xié)同過濾推薦是從用戶出發(fā)，尋找目標(biāo)用戶的最近鄰居用戶，利用最近鄰居對其他資源的加權(quán)評價值作

3、為目標(biāo)用戶對該資源的評價，并以此為依據(jù)，向目標(biāo)用戶進行資源推薦，所以它可以為用戶發(fā)現(xiàn)潛在的興趣。雖然協(xié)同過濾推薦得到了成功的應(yīng)用，并且具有很多優(yōu)勢，但傳統(tǒng)的協(xié)同推薦都是通過用戶對項目的評分作為基礎(chǔ)，計算目標(biāo)用戶的相似鄰居，然后為用戶推薦資源，這樣就造成了數(shù)據(jù)評分矩陣稀疏以及冷啟動的問題，并且評分也無法完全反映出用戶的興趣愛好。
　　針對以上問題，本文提出了基于語用情境的推薦方法。在傳統(tǒng)的協(xié)同推薦方法的基礎(chǔ)上，將語用學(xué)中的情境因素和

4、信任因素引入到資源推薦的研究中來，其中，影響用戶行為的上下文信息和場景信息成為用戶情境，對用戶決策產(chǎn)生作用的用戶情境成為最顯著情境，該方法首先獲取用戶的最顯著個性化情境因素，然后結(jié)合用戶最顯著情境計算出用戶興趣相關(guān)性、評分相似性和評分相關(guān)性矩陣，形成用戶興趣關(guān)聯(lián)模型，最后計算出用戶信任等級，以用戶信任等級值作為用戶的評分權(quán)重，結(jié)合傳統(tǒng)的推薦方法預(yù)測目標(biāo)用戶的評分。
　　本文采用Matlab在MovieLens數(shù)據(jù)集上對該方法進行了