基于用户-主题关联挖掘的虚拟社区推荐方法研究

发布时间：2020-02-26 16:12

【摘要】：[目的/意义]针对现有的虚拟社区推荐方法缺乏兼顾推荐准确性和新颖性的问题,将数据挖掘技术与信息推荐方法相结合,提出了基于用户-主题关联挖掘的虚拟社区推荐方法。[方法/过程]该方法通过构建用户-用户相似度矩阵、社区-社区主题距离矩阵、基于矩阵分解的智能推荐等过程,使得推荐结果能在保证高准确性的前提下,兼顾推荐的新颖性。[结果/结论]实验结果表明,该方法取得了理想的预期结果,推荐效果既能保证准确性,又能体现新颖性。
【图文】：

结构图,结构图,方法,相似度计算

椒ò闼ㄓ没Ы缣Ｓ胂嗨贫燃扑恪?社区建模与距离计算、智能推荐三部分组成。用户建模与相似度计算的主要目的是通过利用用户基本信息和历史偏好信息构建用户矩阵，然后从用户在虚拟社区中的与其他用户交互信息中挖掘用户与用户之间的关联，实现用户与用户之间基于社区主题的相似度计算;社区建模与相似度计算主要目的是将社区主题解析为主题分类树结构，实现社区与社区之间的关联挖掘与表示;智能推荐综合利用了推荐准确性与推荐新颖性相结合，既保证推荐的准确性，又能体现推荐的新颖性。该方法的结构示意图如图1所示。图1VCＲM－UAM方法结构图1．1用户建模与相似度计算用户建模与相似度计算主要包括三部分内容:用户管理矩阵建模、用户－主题关联矩阵建模、用户－用户相似度计算。Step1:用户关联矩阵建模。假设用户集合U={u1，u2，…，ui，…，un}表示虚拟社区中共有n个用户，ui为其中的任意一个用户且ui={(k1，w1)，(k2，w2)，…，(km，wm)}，，其中(k1，k2，…，km)表示刻画用户兴趣偏好的特征概念，(w1，w2，…，wm)表示相关特征概念在在用户兴趣偏好中的权重。Christakis等［3］通过研究发现，在虚拟社区中，如果用户与用户之间存在直接或间接的关联，则其行为和兴趣会相互受到影响。因此，本文通过构建用户关联矩阵来体现虚拟社区中的这种关系。假设用户关联矩阵A为布尔矩阵且A={a(u1，u2)，a(u1，u3)，…，a(ui，uj)，…，a(up，uq)}，若用户ui与uj存在直接或间接关联，则a(ui，uj)=1;若用户ui与uj不存在任何关联，则a(ui，uj)=0，即:a(ui，uj)=1，用户ui与uj存?

基于用户-主题关联挖掘的虚拟社区推荐方法研究

VCＲM－UAM方法结构图

【参考文献】