基于稀疏標簽語義偏好模型的個性化推薦.pdf

1、在大數(shù)據(jù)時代，如何從海量的數(shù)據(jù)中挖掘到自己感興趣的內容成為至關重要的問題。為了滿足用戶的個性化需求，需要進行個性化推薦。傳統(tǒng)的個性化推薦是根據(jù)用戶對物品的歷史評分、瀏覽、點擊等數(shù)據(jù)，分析用戶的偏好，給用戶推薦感興趣的物品。然而由于數(shù)據(jù)的稀疏性，對用戶的偏好不能很好的建模。隨著web2.0的發(fā)展，標簽的出現(xiàn)為獲得用戶的偏好信息提供了一個新的數(shù)據(jù)源，能夠更好的分析用戶的偏好信息。
　　現(xiàn)有的基于標簽的推薦是通過對用戶的打標簽數(shù)據(jù)進行分

2、析，得到用戶對標簽的語義偏好，然后將偏好信息融入到推薦算法中。然而，在使用標簽的過程中，我們發(fā)現(xiàn)原始標簽存在著由用戶差異（文化，地理等）問題，導致的對于同一個語義的不同表達形式，使得用戶標簽矩陣特別的稀疏。
　　為了能夠更好的利用標簽的語義信息，我們提出了基于稀疏標簽的偏好模型，通過用戶與標簽，物品與標簽，標簽與標簽的關系，使用聚類的方式將相同語義的標簽聚在一起形成一個主題。分析用戶與主題語義的偏好信息，從而降低標簽數(shù)據(jù)的稀疏性。

3、
　　我們的最終目的是為了使用標簽推薦物品，根據(jù)我們提出的主題語義偏好模型，我們提出了基于主題語義向量，基于主題語義的擴展協(xié)同過濾，基于主題語義傳播的三種推薦算法。最后為了能夠充分利用單個算法的優(yōu)點，我們通過集成學習的思想，將多個推薦模型集成在一起，提高推薦的準確度。
　　為了驗證我們的算法，我們抓取豆瓣圖書相關的數(shù)據(jù)。實驗表明，在本文提出的基于稀疏標簽的語義偏好模型能夠更好的反映用戶的偏好信息，在我們的模型上實現(xiàn)的集成推薦