一個(gè)改進(jìn)的推薦算法研究與應(yīng)用.pdf

1、當(dāng)前人們正處于一個(gè)信息過(guò)載的時(shí)代，面對(duì)著互聯(lián)網(wǎng)上面的海量信息，如何從中準(zhǔn)確的找到和發(fā)現(xiàn)自己所需要的信息已經(jīng)成為一個(gè)難題。而推薦系統(tǒng)則是解決這一問(wèn)題的有力工具。推薦系統(tǒng)通過(guò)對(duì)用戶(hù)的行為記錄進(jìn)行分析，構(gòu)建出用戶(hù)的興趣模型，從而來(lái)對(duì)用戶(hù)的喜好進(jìn)行預(yù)測(cè)，并推薦給用戶(hù)他感興趣的東西。
　　在推薦系統(tǒng)中，目前使用最多的是協(xié)同過(guò)濾的方法。協(xié)同過(guò)濾方法通過(guò)分析系統(tǒng)中所有用戶(hù)的歷史行為記錄，發(fā)現(xiàn)用戶(hù)、物品兩兩之間的聯(lián)系。其中又分為基于鄰域的算法和隱

2、含語(yǔ)義模型（矩陣分解模型）。
　　在Netflix競(jìng)賽之后，矩陣分解模型成為推薦系統(tǒng)領(lǐng)域中的熱點(diǎn)研究話(huà)題，各種改進(jìn)的模型都層出不窮。對(duì)包括傳統(tǒng)矩陣分解模型，引入隱式反饋的矩陣分解模型以及基于時(shí)間效應(yīng)的矩陣分解模型進(jìn)行了深入的研究。其中時(shí)間效應(yīng)是當(dāng)前推薦系統(tǒng)研究的一個(gè)深入點(diǎn)，和以往的靜態(tài)推薦系統(tǒng)不同，通過(guò)加入時(shí)間效應(yīng)，推薦系統(tǒng)能夠更加準(zhǔn)確的進(jìn)行評(píng)分預(yù)測(cè)。
　　在時(shí)間效應(yīng)的矩陣評(píng)分模型基礎(chǔ)上，提出了使用時(shí)間函數(shù)來(lái)對(duì)整個(gè)時(shí)間跨度進(jìn)