結(jié)合用戶興趣變化的推薦算法研究.pdf

1、伴隨著信息化的不斷普及與互聯(lián)網(wǎng)技術(shù)的不斷創(chuàng)新，信息過載問題從更多、更廣的方面影響著我們的生活。推薦系統(tǒng)已經(jīng)成為繼搜索引擎之后處理信息過載問題的又一有力武器。如今傳統(tǒng)推薦系統(tǒng)在諸多領域都已經(jīng)取得巨大的成功，但是隨著用戶需求的變化，傳統(tǒng)推薦系統(tǒng)不能為用戶群組產(chǎn)生推薦的弊端逐漸顯現(xiàn)出來，為此組推薦系統(tǒng)應運而生。組推薦系統(tǒng)能夠支持多成員群組的推薦服務，已經(jīng)成為推薦系統(tǒng)中新的研究熱點。
　　傳統(tǒng)推薦算法和組推薦算法中，都沒有對用戶興趣變化問

2、題進行考慮，從而造成了推薦準確性的下降，在一些基于時間加權(quán)的協(xié)同過濾算法中對推薦時效性的考慮也有所欠缺。針對這些問題，本文通過對傳統(tǒng)推薦算法與組推薦算法的研究，分析了用戶興趣變化對各個算法的影響，在傳統(tǒng)推薦算法中提出了一種適應用戶興趣變化的改進型協(xié)同過濾算法，在組推薦算法中提出了一種結(jié)合用戶特性和用戶興趣變化的組推薦算法。
　　適應用戶興趣變化的改進型協(xié)同過濾算法在傳統(tǒng)協(xié)同過濾算法的基礎上結(jié)合用戶興趣隨時間轉(zhuǎn)移的特點，改進了相似度

3、的度量方法，同時引入了一種增強的時間衰減模型來度量預測值，并且將這兩種方式有機的結(jié)合起來，解決了用戶興趣變化問題，同時考慮了推薦算法的時效性。在仿真實驗中，分別在不同的數(shù)據(jù)集上對比該算法與UserCF-BP、UserCF-BE、TCNCF以及PTCF的預測評分準確度和TopN推薦準確度后發(fā)現(xiàn)，本文提出的算法能夠有效的提高預測評分準確度以及TopN推薦準確度。
　　結(jié)合用戶特性和群組興趣變化的組推薦算法首先根據(jù)用戶特性使用聚類方法進

4、行群組發(fā)現(xiàn);其次為了能夠更好的模擬用戶興趣變化，在組推薦算法中提出了一種時間懲罰協(xié)同過濾算法，并使用該算法對群組內(nèi)的成員評分進行預測;最后鑒于現(xiàn)有偏好融合策略的局限性，提出了比重偏好融合策略，通過結(jié)合使用現(xiàn)有偏好融合策略來彌補它們的不足，同時采用了評分融合方法以及比重偏好融合策略將群組內(nèi)各用戶的偏好進行融合，得出群組預測評分，從而為群組產(chǎn)生推薦結(jié)果。在仿真實驗中，衡量了用戶特性值數(shù)量和群組數(shù)量對算法的影響，并通過與BaseGRA、Imp