融合时间衰减与偏好波动的协同偏好获取方法.docVIP

融合时间衰减与偏好波动的协同偏好获取方法 摘要：针对现有的推荐系统多采用近邻用户的偏好行为来预测当前用户的偏好，而不考虑用户的偏好会随着时间的变化而改变，影响了推荐准确率的问题，提出了一种基于时间衰减与偏好波动的协同偏好获取方法。首先，基于时间因素、用户历史偏好等获取偏好衰减增量与衰减速度，并据此生成衰减函数，使用衰减函数对用户历史行为数据进行衰减修正；其次，基于用户的历史偏好分布获取其偏好波动幅度；最后，将衰减函数与偏好波动幅度分别加入到最近邻获取与偏好获取流程，协同为用户生成推荐列表。在大规模真实数据集上的实验结果表明，所提出的方法与基于属性评分分布的协同过滤（RDCF）与最优TopN的协同过滤（OTCF）相比，平均绝对误差（MAE）值分别降低了近6.42%和7.73%。实验结果表明所提方法能够提高推荐准确度，提升推荐质量。 关键词： 推荐系统；时间衰减；衰减增量；衰减速度；偏好波动 中图分类号： TP391.9； TP18 文献标志码：A 0引言 随着大数据时代的到来，海量信息资源充斥整个信息服务领域，而其展示平台或资源获取途径虽然在近年来有了较大的发展，资源检索与筛选技术也趋于成熟，但仍不能为用户提供符合其需求的个性化资源推荐服务。特别是随着移动客户端的普及，资源展示界面越来越小型化，用户及服务提供商对于高质量的推荐系统的需求也越来越大。 推荐系统的主要思路就是基于用户的历史偏好信息，采用基于模型或基于内容的方法来建立用户的兴趣模型，将用户可能感兴趣的，且没有过行为记录的商品推荐给用户[1-3]。目前，许多研究者都提出了不同的推荐系统实现方案，其中最著名与应用最广的是基于协同过滤的推荐系统，协同过滤起源与生物理论中的“协同进化”，原意为生物链中某一个物种发生进化，而与其相关的其他物种也会随之进化。在信息获取领域，协同过滤基于这种思想，通过获取与待预测偏好用户的偏好最相似的其他用户，并基于这些用户的偏好行为为当前用户生成推荐服务。例如，Chen等[4]提出了一种随着时间变化并考虑用户接受能力的推荐方法，在数据稀疏性的环境下，提高了推荐准确度；汪静等[5]用共同评分和相似性权重来改进协同过滤推荐算法，增加了用户间共同评分权重，在一定程度上提高了推荐准确度；郭晶晶等[6]采用李雅普诺夫模型与信任度相结合，将推荐系统应用于基于物联网的信任推荐领域，提升了系统效益；孙光福等[7]提出了一种基于用户间时序行为的推荐方法，并将最近邻集合采用基于奇异值分解的协同过滤算法进行处理，提高了推荐准确度；王兴茂等[8]从非共同评分项目集出发，基于历史偏好记录获取近邻用户的贡献程度，提高了推荐质量；Focuss等[9]基于图模型相关理论提出了一种基于随机游走的节点相似度计算方法，有效地缓解了协同过滤推荐系统中数据稀疏性问题对推荐准确度的影响。而由于用户的偏好会随着时间的变化而产生波动[10]，上述方法并没有考虑时间因素对于用户偏好的影响，影响了推荐的准确度。针对这个问题本文提出了一种基于时间衰减与偏好波动的协同偏好获取方法，首先基于时间因素、用户历史偏好等获取偏好衰减增量、衰减速度，并生成衰减函数；其次，基于用户的历史偏好分布获取其偏好波动幅度，并将衰减函数与偏好波动幅度分别加入到最近邻获取与偏好获取流程，协同为用户生成推荐列表。不但考虑了用户自身的偏好波动，还同时加入了用户偏好随时间的衰减对其偏好的影响，能取得更好的推荐准确度。 1融合时间衰减与偏好波动的偏好预测方法 本文在经典协同过滤算法的基础上提出了一种融合时间衰减与偏好波动的协同偏好获取方法，在用户真实历史偏好行为数据的基础上，基于衰减速度与衰减增量，获取基于时间因素的用户偏好衰减函数，并据此修正用户的历史偏好行为。基于此，通过偏好行为相似性度量算法度量用户偏好间的相似关系，并结合基于历史偏好合同类偏好所获取的偏好波动幅度，为用户生成推荐服务。总体流程如图1所示。 1.1相似度度量方法 由于用户的偏好会随着时间的变化而产生波动，在多数情况下，用户对某类项目的喜好程度会随着时间的变化而逐渐衰减，衰减的程度与策略与具体用户相关。例如用户在一定的时期内喜欢某个歌曲，随着时间的变化和用户听歌次数的增加，该用户对这个歌曲的喜好程度会逐渐减少。据此本文提出了一种用户偏好随时间衰减策略，基于时间与用户的历史偏好，通过定义衰减函数、衰减速度、衰减增量，将时间因素与用户偏好变化关联起来，具体算法描述与相关定义如下。 1.2偏好波动 偏好波动（Preference Fluctuation）指的是在用户自身因素的影响下，用户的偏好所产生波动的情况。即是在排除外界影响因素的前提下，用户偏好不会恒定不变，而是会有一定幅度波动的现象。通过度量用户历史偏好间的差异程度，获取用户的偏好波动幅度（Preference