融合時(shí)間因素的個(gè)性化推薦系統(tǒng)研究.pdf

1、推薦系統(tǒng)作為解決信息過(guò)載問(wèn)題的重要方案之一，通過(guò)挖掘用戶(hù)歷史行為記錄來(lái)預(yù)測(cè)用戶(hù)未來(lái)的行為，其本質(zhì)是通過(guò)將用戶(hù)與項(xiàng)目關(guān)聯(lián)起來(lái)，向用戶(hù)推薦他可能感興趣的項(xiàng)目。近年來(lái)，由于協(xié)同過(guò)濾推薦的思路簡(jiǎn)單易實(shí)現(xiàn)，具有較為可靠的推薦效果和較強(qiáng)的適應(yīng)性，已被成功應(yīng)用于社交網(wǎng)絡(luò)、新聞媒體和電子商務(wù)網(wǎng)站等各大領(lǐng)域?，F(xiàn)有的協(xié)同過(guò)濾推薦主要分為基于用戶(hù)和基于項(xiàng)目的算法，通過(guò)分析用戶(hù)的評(píng)分?jǐn)?shù)據(jù)或歷史行為來(lái)預(yù)測(cè)用戶(hù)對(duì)項(xiàng)目的感興趣程度，忽略了時(shí)間因素對(duì)推薦系統(tǒng)的影響。而

2、現(xiàn)有的關(guān)于動(dòng)態(tài)推薦系統(tǒng)的研究，僅單方面考慮了時(shí)間因素，并沒(méi)有充分考慮用戶(hù)評(píng)分特性，使得時(shí)間因素對(duì)推薦系統(tǒng)的作用沒(méi)有完全發(fā)揮出來(lái)。
　　綜上所述，本文針對(duì)現(xiàn)有推薦系統(tǒng)較少考慮用戶(hù)興趣的動(dòng)態(tài)變化和時(shí)間因素對(duì)推薦結(jié)果的影響，以及沒(méi)有充分考慮用戶(hù)評(píng)分特性，導(dǎo)致推薦結(jié)果不準(zhǔn)確的問(wèn)題，展開(kāi)了以下幾方面的研究：
　　(1)提出了一種融合時(shí)間因素的協(xié)同過(guò)濾算法(CF-TI)?；趥鹘y(tǒng)的協(xié)同過(guò)濾算法，通過(guò)引入反映人們遺忘規(guī)律的艾賓浩斯遺忘曲線

3、，考慮用戶(hù)興趣隨時(shí)間的動(dòng)態(tài)變化，引入了一時(shí)間權(quán)重函數(shù)，并考慮到不同用戶(hù)的特異性，在進(jìn)行評(píng)分預(yù)測(cè)時(shí)考慮用戶(hù)間的非對(duì)稱(chēng)影響度。通過(guò)在HetRec2011和MovieLens1M數(shù)據(jù)集上的實(shí)驗(yàn)分析表明，相對(duì)于目前比較流行的算法，該算法在推薦結(jié)果的準(zhǔn)確率、召回率、F1值上均有較大的提升，在解決推薦系統(tǒng)時(shí)效性問(wèn)題的基礎(chǔ)上，有效提高了推薦系統(tǒng)的推薦質(zhì)量。
　　(2)提出了一種基于用戶(hù)偏好模型的協(xié)同過(guò)濾算法(CF-TP)。在CF-TI算法的基礎(chǔ)

4、上，充分挖掘用戶(hù)評(píng)分特性，考慮用戶(hù)評(píng)分習(xí)慣差異，引入了用戶(hù)偏好模型，將用戶(hù)-項(xiàng)目評(píng)分矩陣轉(zhuǎn)化為了用戶(hù)-項(xiàng)目偏好得分矩陣。在進(jìn)行偏好得分預(yù)測(cè)時(shí)，考慮了用戶(hù)之間的非對(duì)稱(chēng)影響度并引入時(shí)間權(quán)重函數(shù)。通過(guò)在HetRec2011和MovieLens1M數(shù)據(jù)集上的實(shí)驗(yàn)表明，本文提出的算法能有效提高推薦系統(tǒng)的準(zhǔn)確率、召回率和F1值,相對(duì)于目前比較流行的算法及CF-TI算法，更進(jìn)一步提升了推薦算法的性能。
　　(3)設(shè)計(jì)了一個(gè)完整的個(gè)性化電影推薦系