基于情景与用户行为的消息推送服务设计与研究

发布时间：2021-09-04 00:23

　　近年来,科技的不断进步和移动智能设备的快速普及,极大地满足了人们在生产和生活方面的需求。但与此同时,人们也面临着越来越严重的信息过载问题。个性化推荐技术被认为是缓解这一问题的有效方法之一,并且已经在诸多领域得到了广泛的应用。通过分析用户历史数据,构建用户偏好模型,个性化推荐系统可以主动地向用户推荐最感兴趣的内容。目前,移动网络服务已经融入到人们生活的每一个角落,我们在习惯使用各种移动设备记录生活的点点滴滴的同时,也产生了大量带有时空属性的情景数据。这些情景数据具有来源广泛、数据规模大、蕴含信息丰富等特点。然而,传统的推荐技术只注重挖掘用户行为信息,往往忽略了用户现实世界的情景信息,因此在移动环境下无法提供更加精准的推荐服务。鉴于上述问题,本文主要对推荐系统中情境因素进行了深入的研究。考虑到传统二维推荐算法User-Based CF的不足,本文充分利用情景与用户行为信息,提出了两种改进的个性化推荐算法,并设计和实现了一个消息推送原型系统。本文主要包含以下四个部分:（1）通过引入两种处理情景信息的方法,本文结合情景预过滤的思想和改进的Pearson相关系数,提出了一种基于情景上下文的个性化... 

【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：80 页

【学位级别】：硕士

【部分图文】：

推荐系统组成

图 1-1 推荐系统组成统有多种划分方式，如图 1-2 所示，从应用角度可划分为电影推荐、兴趣点推荐等；从理论角度可划分为基于内容推荐、协同过、基于知识推荐以及混合推荐等[7]。其中，混合推荐算法就是将地融合，从而获得更好的推荐效果[8]。常用的结合方式为：加权合和层叠等。

第二章 关键技术研究相似，那么就认为这两个用户有相似的兴趣和偏好。然后再根据相似用户预测目标对未评分项目的喜好程度，最后选择评分最高的项目进行推荐。类似地，后者算法择最近邻和预测评分时使用的是项目间的相似性，而不是用户间的相似性。总之，种方法都属于“基于内存的协同过滤推荐算法（Memory-Based CF，或称为基于最的协同过滤推荐算法）”。另外还有“基于模型的协同过滤推荐算法（Model-Based C图 2-1 所示。比较有代表性的如采用聚类、关联规则、贝叶斯网络、矩阵分解等方数据集进行训练并推荐[7]。


本文编号：3382169