基于本体和知识规则的混合推荐研究

发布时间：2017-09-25 03:03

  本文关键词：基于本体和知识规则的混合推荐研究

  更多相关文章： 基于内容推荐 协同过滤 混合推荐 本体 推荐系统

【摘要】：网络资源中的信息量随着网络技术的发展也在急剧增加,用户面对浩渺的信息如何寻找到自己感兴趣的项目变成了负担。用户兴趣的差异是不一样的,但大多数目前的网络应用程序都提供的是相同的信息,因而不能满足用户的个性化需求。搜索引擎的出现可以使用户使用关键词查询自己感兴趣的项目,然而它的服务却是被动的,并且系统返回的结果也不一定能满足用户兴趣的需求。个性化推荐系统的诞生缓解了这一问题,个性化推荐系统能够自动的为用户发现兴趣,并推荐用户感兴趣的项目,因而成为了一种新的服务方式。 通常,为了构建一个推荐系统,一般都会考虑使用两种最常见的推荐方法(或算法)：基于内容过滤方法和协同过滤方法。然而,这两种推荐方法都有各自的技术缺点。特征提取和特征表达是基于内容过滤方法的困难之处,同时其也难以处理对用户兴趣趋向的预测。协同过滤方法则需要面临冷启动问题和矩阵稀疏性问题。因此,推荐算法仍有很多改进的地方。此外,传统的推荐算法和系统所使用的项目和用户数据模型非常的简单,其单纯的使用评分和关键词来代表用户兴趣和项目内容。推荐过程中使用的相似度计算公式不能考虑到项目特征和用户兴趣间更深层次的语义关系,因也推荐系统的精确度很低。最后传统的推荐系统所使用的用户兴趣模型的更新方法也很简单,造成用户兴趣不精准和推荐系统反映不灵敏等问题。 本文的所有工作都是为了解决传统推荐算法的不足和提高推荐系统的推荐质量,本文采用本体这一新工具用于改良传统的推荐算法。首先本文将本体用于构建电影领域的用户模型和项目模型,使得表达用户兴趣和项目内容的关键词在一个领域本体中,并使各种推荐算法都能使用相同的数据模型。然后,本文构造能够通过分析用户行为数据估算出用户对视频喜好程度的“喜好估算函数”。喜好估值函数一方面可以代替用户评分用于减少传统协同过滤算法的矩阵稀疏性,另一方面又可以为用户兴趣模型的自动更新服务。本文还研究制定一套又快又精准的用户兴趣更新方法,新的更新方法可以又快有精准的分析出用户的新兴趣。另外,文本还构建了用于电影领域推荐的基于本体的相似度计算公式,使得系统在计算相似度时能将关键词之间语义层面的关系涵盖进来。在这些基础之上,本文提出了多种基于本体的推荐算法。在用户兴趣更新算法和推荐算法中,本文将时间因数考虑进来,使得系统能很快的将用户新兴趣展示到推荐结果当中。本文还引入了知识规则,知识规则的应用使得推荐系统更加完备和智能,也使得推荐的结果更加人性化。
【关键词】：基于内容推荐 协同过滤 混合推荐 本体 推荐系统
【学位授予单位】：浙江师范大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP391.1
【目录】：

• 摘要3-5
• ABSTRACT5-7
• 目录7-9
• 1 绪论9-15
• 1.1 研究背景9-10
• 1.2 研究现状10-11
• 1.3 研究意义11-13
• 1.4 主要内容13-15
• 2 主要的推荐算法分析15-19
• 2.1 协同过滤15-16
• 2.2 内容过滤16-17
• 2.3 其他推荐算法17-18
• 2.4 本章小结18-19
• 3 本体与模型19-29
• 3.1 本体分析19-21
• 3.1.1 本体的定义19-20
• 3.1.2 本体索引机制20-21
• 3.2 本体模型21-27
• 3.2.3 电影领域本体和项目模型22-24
• 3.2.4 用户领域本体和用户模型24-27
• 3.3 本章小结27-29
• 4 用户模型的自动更新29-35
• 4.1 喜好的估算30
• 4.2 语义概念与度量值30-31
• 4.3 兴趣的更新31-34
• 4.4 兴趣的修正34
• 4.5 本章小结34-35
• 5 基于本体和知识规则的推荐算法35-53
• 5.1 相似度计算公式35-42
• 5.1.1 传统相似度计算公式35-36
• 5.1.2 多重匹配公式36-38
• 5.1.3 语义概念节点的相似度计算38-39
• 5.1.4 基于本体的相似度计算39-42
• 5.2 基于本体的推荐算法42-45
• 5.2.1 基于本体的协同过滤推荐42-45
• 5.2.2 基于本体的内容过滤推荐45
• 5.3 知识规则与推荐45-48
• 5.3.1 《影视接受心理》知识46
• 5.3.2 知识规则的构建46-47
• 5.3.3 规则的分类与运用47-48
• 5.4 电影推荐系统原型设计48-51
• 5.4.1 推荐系统架构设计48-49
• 5.4.2 推荐进程设计49-51
• 5.5 本章小结51-53
• 6 总结与展望53-55
• 6.1 本文总结53-54
• 6.2 本文展望54-55
• 参考文献55-60
• 攻读学位期间取得的研究成果60-61
• 致谢61-63

【参考文献】

中国期刊全文数据库 前3条

1 吴兵;叶春明;;基于效用的个性化推荐方法[J];计算机工程;2012年04期

2 王立才;孟祥武;张玉洁;;上下文感知推荐系统[J];软件学报;2012年01期

3 刘建国;周涛;汪秉宏;;个性化推荐系统的研究进展[J];自然科学进展;2009年01期

，

本文编号：914978