一個改進的推薦算法研究與應用.pdf

1、當前人們正處于一個信息過載的時代，面對著互聯(lián)網(wǎng)上面的海量信息，如何從中準確的找到和發(fā)現(xiàn)自己所需要的信息已經(jīng)成為一個難題。而推薦系統(tǒng)則是解決這一問題的有力工具。推薦系統(tǒng)通過對用戶的行為記錄進行分析，構建出用戶的興趣模型，從而來對用戶的喜好進行預測，并推薦給用戶他感興趣的東西。
　　在推薦系統(tǒng)中，目前使用最多的是協(xié)同過濾的方法。協(xié)同過濾方法通過分析系統(tǒng)中所有用戶的歷史行為記錄，發(fā)現(xiàn)用戶、物品兩兩之間的聯(lián)系。其中又分為基于鄰域的算法和隱

2、含語義模型（矩陣分解模型）。
　　在Netflix競賽之后，矩陣分解模型成為推薦系統(tǒng)領域中的熱點研究話題，各種改進的模型都層出不窮。對包括傳統(tǒng)矩陣分解模型，引入隱式反饋的矩陣分解模型以及基于時間效應的矩陣分解模型進行了深入的研究。其中時間效應是當前推薦系統(tǒng)研究的一個深入點，和以往的靜態(tài)推薦系統(tǒng)不同，通過加入時間效應，推薦系統(tǒng)能夠更加準確的進行評分預測。
　　在時間效應的矩陣評分模型基礎上，提出了使用時間函數(shù)來對整個時間跨度進