基于感知上下文的交互推薦算法研究.pdf

1、伴隨著數(shù)字化網(wǎng)絡(luò)信息的普及，網(wǎng)絡(luò)上的信息承載越來越大。推薦系統(tǒng)的作用就是讓用戶在海量的數(shù)據(jù)中快速得到自己需要的信息。各種各樣的推薦系統(tǒng)也就應(yīng)運而生，然而現(xiàn)在大多數(shù)針對推薦算法的研究都是關(guān)注提高推薦算法的精確度。然而我們熟悉的情境是，不同的用戶的需求是不同的，現(xiàn)在的人們置身于不同的社會事務(wù)當(dāng)中，每個人在不同的時間節(jié)點、地點、情境等會有不同的偏好。本文認(rèn)為不同的用戶所處的上下文信息不同，并且用戶所處的上下文情境對推薦系統(tǒng)不可見的，這就要求我

2、們的推薦系統(tǒng)去探知用戶所處的上下文情境，并能夠按照探知的上下文情境進行實時的推薦，但是現(xiàn)在的上下文推薦系統(tǒng)對于這種感知功能的關(guān)注度還是比較低的，像是感知交互的過程等，很多問題還需要做出深一步的研究。
　　本文對上下文感知交互推薦進行的主要研究工作如下：
　　1.提出一種上下文感知的交互推薦算法。針對實時的推薦系統(tǒng)，用戶的上下文情境是處于多變的情況下的，很難直接用傳統(tǒng)的用戶偏好提取技術(shù)訓(xùn)練用戶的偏好模型。并且針對這種上下文情境

3、多變的情況，用戶的上下文信息對系統(tǒng)是完全不可見的。本文認(rèn)為針對用戶上下文情境的探知，可以運用系統(tǒng)的推薦列表與用戶對系統(tǒng)推薦的反饋列表進行交互的模式進行探知，本文提出一種交互模式，能夠動態(tài)的探知上下文的改變，并在此過程中實時更新用戶偏好模型，并用這種偏好模型監(jiān)視可能出現(xiàn)的探知偏差。本文提出對于推薦列表的更新是一種動態(tài)隨機分配最優(yōu)化問題，本文提出TP-Learning算法，這個算法是對貪婪算法的一種改進，是基于啟發(fā)式學(xué)習(xí)的，能夠為用戶得到一

4、個效能最大化的推薦列表。本文提出的算法就是能夠?qū)崟r的去發(fā)現(xiàn)用戶上下文的改變，并按照當(dāng)前的上下文模式對用戶偏好進行實時更新，并且運用這種機制提高推薦算法的表現(xiàn)。
　　2.改進網(wǎng)絡(luò)結(jié)構(gòu)推薦算法（NBI）提出基于時間衰減和用戶相似權(quán)重的二部圖推薦算法(TUserCF)?；诙繄D的推薦算法是將每個用戶節(jié)點被賦予的資源值均分給相鄰的節(jié)點，本文認(rèn)為應(yīng)該將用戶選擇物品的時間因素考慮進去；我們對于算法的改進是基于當(dāng)前社交網(wǎng)絡(luò)中社會化的因素，將用

5、戶之間的關(guān)系進行擴充。我們對于資源值的分配問題時，首先考慮的就是評分矩陣的影響，其次就是用戶與用戶之間的興趣集合問題，好友集合參數(shù)，并且對于時間的衰減進行說明，并基于時間的衰減引入了分配系數(shù)的加權(quán)改變過程。最后按照最后的資源值進行推薦，但是這種資源值的推薦也會將評分的因素考慮在內(nèi)。我們的算法顯著提高了被推薦物品的準(zhǔn)確性，能夠使推薦更有效率，因此有很強的應(yīng)用價值。
　　3.本文設(shè)計了融合上下文信息的電子商務(wù)推薦系統(tǒng)框架，它是綜合了用