基于上下文屬性信息的個性化推薦系統(tǒng)研究.pdf

1、隨著網(wǎng)絡信息資源的急速增長，用戶快速且準確地獲取所需信息變得十分困難。搜索引擎的出現(xiàn)解決了用戶一部分查詢的困難，但是目前該工具實現(xiàn)不了根據(jù)用戶的需求進行推薦的功能。個性化推薦系統(tǒng)是以用戶的需求為標準。比如，商家可以根據(jù)海量的數(shù)據(jù)挖掘用戶的偏好信息，將潛在客戶挖掘出來進而將銷售范圍進一步擴大，從而擁有更多的消費群體。個性化推薦系統(tǒng)就是根據(jù)不同用戶具有不同興趣點這一個客觀現(xiàn)象，對用戶進行個性化推薦，使用戶能夠在大量信息中快速選定自己需要的商

2、品，從而在選擇商品的過程中減少不必要的挑選時間。所以，個性化推薦系統(tǒng)無論針對用戶還是商家而言都具有實用性和價值性。協(xié)同過濾推薦算法是對用戶的行為信息進行分析，將與目標用戶行為信息相近的用戶查找出來，依據(jù)相近用戶對某些物品的偏好度去衡量目標用戶對物品的偏好度，將目標用戶對物品的偏好度按照從高到低進行排序，最后將結(jié)果反饋給目標用戶?；趦?nèi)容的推薦算法實現(xiàn)的主要原理是：根據(jù)對用戶的特征和項目的特征的有效分析進行推薦。常用的項目特征分析建立方法

3、包括：貝葉斯模型，神經(jīng)網(wǎng)絡模型和空間向量模型。用戶的特征則是根據(jù)用戶偏好的項目信息分析得出的。推薦算法可以有效的提高用戶從瀏覽者身份到購買者身份的轉(zhuǎn)化率，從而提升了銷售能力。盡管這些常用的推薦算法已經(jīng)取得了很大成果，但是僅僅根據(jù)單一的評分數(shù)據(jù)來挖掘相似的用戶和物品，得出的推薦效果并不是很理想?，F(xiàn)在很多學者在個性化推薦算法中加入了一些上下文屬性信息，比如標簽、地點等，用這些上下文屬性信息來改善個性化推薦的效果。
　　本研究在閱讀大量

4、文獻的基礎上，對推薦算法的關(guān)鍵技術(shù)進行了研究，根據(jù)已有技術(shù)進行了創(chuàng)新型改進，并通過仿真模擬實驗證明了該方案的可行性和優(yōu)勢性。具體成果如下：⑴將用戶之間共同評價的項目上下文信息和共同評價過項目的用戶上下文信息融合到推薦算法當中，有效提高了推薦效果的準確率。⑵提出一種基于上下文感知和張量分解的個性化推薦算法(CATD)，并在Movie lens大規(guī)模真實數(shù)據(jù)集上進行了仿真實驗，驗證了該算法的有效性。⑶利用核密度估計技術(shù)以及用戶、項目的上下文