基于用戶動態(tài)偏好的異構隱式反饋推薦算法研究.pdf

1、互聯網時代的大潮帶來了數據的爆炸式增長，大數據的概念也在過去的幾年內持續(xù)升溫，用戶從海量數據中獲得有用信息的代價也越來越高。推薦系統為解決這一問題帶來了曙光。推薦系統通過用戶畫像、用戶的歷史行為數據及物品的相關數據等對用戶的偏好進行建模，從而幫助用戶快速發(fā)現其真正感興趣的信息。目前非時間敏感的推薦算法通常認為用戶的偏好不隨時間變化，在此假設下進行相關算法的研究。然而，在真實的世界中，用戶的偏好隨著時間的推移不斷變化。時間敏感的推薦算法存

2、在沒有考慮用戶長期、有重復性的偏好，計算效率不高等問題。因此，研究用戶的動態(tài)偏好，對于提升個性化推薦算法的準確度、召回率等具有十分重要的意義。
　　本研究主要內容包括：⑴時間敏感的推薦算法通常會采用時間衰減的方式，通過降低用戶較遠時間前的評分值來預測用戶未來購買興趣。此外，現有的研究主要是將時間衰減用在相對簡單的基于用戶的協同過濾算法中，尚沒有應用于基于模型的推薦算法中。針對上述兩個問題，本文提出一種基于置信度時間衰減的用戶偏好度

3、量方法。我們認為，用戶的評分是確定的，不隨時間變化，隨時間變化的是用戶對這個評分的置信程度，以此表征用戶的短期偏好隨時間變化。通過在基于模型推薦算法上的大量實驗，結果表明該方法可以更好地表征用戶的偏好，從而提升推薦了算法的準確度、召回率等指標。⑵對用戶的長期、有重復性的偏好進行建模對于提升個性化推薦系統的準確度有重要作用?；跁r間衰減的偏好模型可以識別出用戶的短期偏好，但不足以識別出用戶的長期、有重復性的偏好。針對上述問題，本文提出了利