基于时间动态特性的推荐算法研究

发布时间：2021-07-06 13:16

　　传统的推荐算法主要研究用户和物品的二元关系,将符合用户喜好的物品推荐给用户,或是预测用户对物品的兴趣程度。这些算法忽略了用户所处的上下文,而时间信息是最重要的上下文信息。基于时间信息的用户行为反映了用户兴趣变化的规律,添加用户行为序列能有效提高推荐的效果。本文基于时间动态特性,研究时变对推荐算法的影响,主要工作内容如下。1.研究了推荐系统中用户短期兴趣随时间衰退的特性和用户周期行为的时间效应。在推荐系统中,时间动态地影响用户兴趣和物品生命周期,用户行为和物品消费随时间持续变化。同时,时间也具有周期特性,周末、节假日、不同季节等因素极大地影响着用户的行为需求。将时间信息建模成连续时间感知方式和分类时间感知方式,以研究时间动态特性对推荐算法的影响。2.在基于邻域的推荐算法中,考虑用户短期兴趣随时间衰退的特性,提出一种融合时间信息的邻域推荐方法。采用连续时间感知方式,将时间作为一个连续量,体现用户兴趣持续性的变化。引入牛顿冷却公式作为时间衰减函数,以强化用户近期兴趣,弱化远期兴趣,描述用户兴趣随时间变化的过程。引入JacUOD计算方法,度量用户相似度,从而统一不同多维向量空间中向量的相似度比... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

不同用户在MovieLens数据集上平均评分变化

图3.2 不同用户在 Netflix 数据集上平均评分变化 3.1 和 3.2 分别是 MovieLens 和 Netflix 数据集中三名不同用户对不同电随时间变化的趋势图。为保护用户隐私，方便算法分析处理，数据集中以匿名方式标识，并给出相应的用户 id，例如 user1142 表示用户 1142图中可以发现，随着时间的变化，用户的评分也相应发生变化，并且不

第三章 融合时间信息的 TopN 邻域推荐21图3.3 用户在不同数据集上评分标准差的分布情况图 3.3 分别是 MovieLens 和 Netflix 数据集中部分用户的评分标准差分布。通过计算可得，这些用户在不同数据集上的标准差均值为 0.364 和 0.564。说明用户的评分并非根据系统评分区间进行分布。从图中可以发现，绝大多数用户评分的标准差集中在 0.2 到 0.6 之间，说明大多数用户不会明确表现对物品的喜好程度，其行为兴趣往往基于某个基准上下波动。进一步证明了用户兴趣的成型。3.1.2 物品评价变化通过上述分析，能够看到用户兴趣随时间而变化。同样，分析数据集可以得到时间动态变化对物品流行的影响。图3.4 不同物品在 MovieLens 数据集上平

【参考文献】：
期刊论文
[1]推荐系统评价指标综述[J]. 朱郁筱,吕琳媛.  电子科技大学学报. 2012(02)
[2]一种结合词项语义信息和TF-IDF方法的文本相似度量方法[J]. 黄承慧,印鉴,侯昉.  计算机学报. 2011(05)
[3]协同过滤中基于用户兴趣度的相似性度量方法[J]. 嵇晓声,刘宴兵,罗来明.  计算机应用. 2010(10)
[4]个性化推荐系统评价方法综述[J]. 刘建国,周涛,郭强,汪秉宏.  复杂系统与复杂性科学. 2009(03)
[5]基于项目评分预测的协同过滤推荐算法[J]. 邓爱林,朱扬勇,施伯乐.  软件学报. 2003(09)



本文编号：3268313