基于用戶情境的協同推薦算法研究與應用.pdf

1、隨著互聯網的普及和電子商務的迅猛發(fā)展，個性化的推薦系統成為電子商務領域一個重要的研究內容。推薦算法作為個性化推薦系統的核心，它的性能與整個推薦系統的推薦效率、推薦質量以及用戶的使用感受緊密相關。目前，現有的推薦系統中運用較多的推薦算法有基于關聯規(guī)則的推薦算法、基于內容的推薦算法、協同推薦算法。
　　 基于關聯規(guī)則的推薦算法中，關聯規(guī)則的數量會隨著系統的規(guī)模增大而巨增。基于內容的推薦算法只能推薦與用戶興趣相似的資源，無法發(fā)現新的、

2、潛在的用戶興趣。協同推薦技術作為至今最成功的推薦技術，已經在許多實際的推薦系統中得到了大量的應用。它雖然可以為用戶發(fā)現潛在的興趣，但傳統的協同推薦算法均是由用戶對項目的評分作為切入點。
　　 由于評分并不能全面反映一個人的興趣愛好。同時，個人的興趣愛好與其職業(yè)、年齡、教育水平等一系列自身的因素有密不可分的聯系，有相似屬性的人群也容易產生相似的愛好。因此，本文提出了基于用戶情境的協同推薦算法。該算法按照用戶情境對用戶進行聚類，使得

3、每個用戶能夠準確找到與自己相似度高的鄰居。在同一類中，根據用戶的歷史評分以及項目間的相異性，為目標項目計算預測評分，從而獲得目標用戶所需要的推薦結果。
　　 本文的主要研究工作有：
　　 （1）在深入分析現有推薦算法的情境缺失問題后，結合情境語義學以及對用戶的興趣愛好有影響的、自身的自然屬性和社會屬性，提出了用戶情境的描述方式以及形式化表示方法，并進一步對用戶情境進行研究，提出了用戶情境的分類方法。
　　 （2）

4、研究常見變量類型的相異度計算方法，利用相異度矩陣，給出了多情境因素下靜態(tài)用戶情境的聚類方法，并結合Slope One算法中對目標項目的預測值方法，提出了基于用戶靜態(tài)情境的協同推薦算法。
　　 （3）在MovieLens數據集上利用Matlab對傳統的基于項目的協同推薦算法、Slope One算法和本文提出的算法進行了對比試驗。實驗結果表明，本算法較之傳統推薦算法和Slope One算法在平均絕對誤差值上有一定的提高，證明了本算法