融合用户上下文和时序信息的协同过滤推荐算法

发布时间：2021-01-01 07:38

　　推荐系统能够快速地为用户推荐感兴趣的内容,这一功能的实现得益于众多成熟的算法。其中,协同过滤算法是目前应用最为普遍的技术,相似性的度量又是影响其性能的关键因素之一。现有的相似性度量方法大多建立在挖掘用户-项目评分数据的基础上,而用户的属性、上下文和历史行为等信息并没有得到充分利用。实际上,这些信息对用户的喜好起着不可忽视的作用。在计算用户之间的相似性时,考虑更多影响用户偏好的因素,能够提高度量的精确性,从而提升推荐质量。本文主要贡献如下:（1）首先,本文介绍了一种基于用户评分差值的相似性度量方法。该方法对评分差值设置不同的权重参数来计算相似性。当数据较为稀疏时,这种方法的准确性较低。于是,在此基础上,提出了融合用户上下文信息的相似性度量方法。将上下文信息加入到相似性度量公式中,增加了相似度计算的特征维度。该方法在提高了推荐系统性能的同时,也一定程度上缓解了推荐系统中数据稀疏的问题。（2）其次,本文在融合用户上下文信息的相似性度量方法的基础上进一步优化,提出了融合用户上下文信息和时序信息的相似性度量方法。引入时序信息是为了建立用户前后行为之间的关联,学习用户喜好的变化情况,增加模型的特征... 

【文章来源】：华东师范大学上海市 211工程院校 985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】：

基于人口统计学的推荐算法原理

华东师范大学硕士学位论文步骤 3 为目标用户推荐与其相似的用户所喜欢的项目。2 基于内容的推荐算法基于内容的推荐依据用户以往交互项目的特征，分析用户的喜好和需求，构建偏好标签，在候选项目集中寻找与目标用户已选择项目相似的物品，推荐列表。以淘宝为例的电商平台，通常会设置“猜你喜欢”的功能模块。功能的实现就是依赖于基于内容的推荐算法，利用消费者的浏览、搜索、和购买等信息，在用户下次登录时，为用户推送一系列可能感兴趣的物品。以电影推荐系统为例，基于内容的推荐算法的基本原理如图 2-2 所示：

华东师范大学硕士学位论文 生成推荐列表（recommendation generation）：计算用户相关性，将相关程度最大的一组项目推荐给用户。于内容的推荐以用户历史选择的项目作为参考，因此系似的项目，导致推荐结果往往过于单一。过滤推荐算法滤推荐大致可分为基于内存和基于模型的协同过滤。其用户和基于项目的协同过滤。内存的协同过滤算法存的协同过滤算法的一般流程如图 2-3 所示：

【参考文献】：
期刊论文
[1]基于耦合相似度的矩阵分解推荐方法[J]. 郭梦娇,孙劲光,孟祥福.  计算机科学. 2016(04)
[2]协同过滤推荐技术综述[J]. 冷亚军,陆青,梁昌勇.  模式识别与人工智能. 2014(08)
[3]基于时序行为的协同过滤推荐算法[J]. 孙光福,吴乐,刘淇,朱琛,陈恩红.  软件学报. 2013(11)
[4]基于网络和标签的混合推荐算法[J]. 张新猛,蒋盛益,李霞,张倩生.  计算机工程与应用. 2015(01)
[5]上下文感知推荐系统[J]. 王立才,孟祥武,张玉洁.  软件学报. 2012(01)



本文编号：2951198