融合時間因素的個性化推薦系統(tǒng)研究.pdf

1、推薦系統(tǒng)作為解決信息過載問題的重要方案之一，通過挖掘用戶歷史行為記錄來預測用戶未來的行為，其本質是通過將用戶與項目關聯起來，向用戶推薦他可能感興趣的項目。近年來，由于協同過濾推薦的思路簡單易實現，具有較為可靠的推薦效果和較強的適應性，已被成功應用于社交網絡、新聞媒體和電子商務網站等各大領域。現有的協同過濾推薦主要分為基于用戶和基于項目的算法，通過分析用戶的評分數據或歷史行為來預測用戶對項目的感興趣程度，忽略了時間因素對推薦系統(tǒng)的影響。而

2、現有的關于動態(tài)推薦系統(tǒng)的研究，僅單方面考慮了時間因素，并沒有充分考慮用戶評分特性，使得時間因素對推薦系統(tǒng)的作用沒有完全發(fā)揮出來。
　　綜上所述，本文針對現有推薦系統(tǒng)較少考慮用戶興趣的動態(tài)變化和時間因素對推薦結果的影響，以及沒有充分考慮用戶評分特性，導致推薦結果不準確的問題，展開了以下幾方面的研究：
　　(1)提出了一種融合時間因素的協同過濾算法(CF-TI)?；趥鹘y(tǒng)的協同過濾算法，通過引入反映人們遺忘規(guī)律的艾賓浩斯遺忘曲線

3、，考慮用戶興趣隨時間的動態(tài)變化，引入了一時間權重函數，并考慮到不同用戶的特異性，在進行評分預測時考慮用戶間的非對稱影響度。通過在HetRec2011和MovieLens1M數據集上的實驗分析表明，相對于目前比較流行的算法，該算法在推薦結果的準確率、召回率、F1值上均有較大的提升，在解決推薦系統(tǒng)時效性問題的基礎上，有效提高了推薦系統(tǒng)的推薦質量。
　　(2)提出了一種基于用戶偏好模型的協同過濾算法(CF-TP)。在CF-TI算法的基礎

4、上，充分挖掘用戶評分特性，考慮用戶評分習慣差異，引入了用戶偏好模型，將用戶-項目評分矩陣轉化為了用戶-項目偏好得分矩陣。在進行偏好得分預測時，考慮了用戶之間的非對稱影響度并引入時間權重函數。通過在HetRec2011和MovieLens1M數據集上的實驗表明，本文提出的算法能有效提高推薦系統(tǒng)的準確率、召回率和F1值,相對于目前比較流行的算法及CF-TI算法，更進一步提升了推薦算法的性能。
　　(3)設計了一個完整的個性化電影推薦系