用户兴趣动态变化的计算资源自适应快速个性化推荐算法.DOCVIP

满足用户兴趣漂移的计算自适应快速推荐算法 孙光明1, 3*，王 硕2,3 （1.北京交通大学 计算机与信息技术学院，北京 100004; 2.河北科技大学 信息科学与工程学院，石家庄 050035; 3.河北交通学院 网络教研室，石家庄 050035） 摘 要：针对推荐算法未考虑大数据量计算导致系统性能差及基于历史评分的相似性不能反映用户兴趣动态变化的问题，提出了满足用户兴趣漂移的计算自适应快速推荐算法。该算法依据CPU等计算资源使用率动态调整待推荐用户窗口，并按项目类别及其访问热度动态分配计算时间，使计算自适应项目与目标用户的优先级和相似性计算难易度，提高计算效率与响应速度；建立访问次数随时间变化的兴趣度量函数自适应用户兴趣漂移，提高推荐质量。实验结果表明，本文算法速度更快、推荐更准确、用户体验更好。 关键词：用户兴趣漂移；计算自适应；推荐算法；快速 中图分类号：TP391.1 Compute adaptive fast recommendation algorithm satisfied user interests drift SUN Guang-ming1,3*，Wang Shuo2 (1．School of Computer and Information Technology, Beijing Jiaotong University, Beijing 100004,China； Shijiazhuang Hebei 050035,China ; 3．Hebei Jiaotong college, Shijiazhuang Hebei 050035,China) Abstract：Aiming at recommender system’s problems that poor performance is caused by compute without considering the mass data and similarities based on history information can’t reflect the change of user interests, this paper proposes a compute adaptive fast recommendation algorithm meet user interests drift. The algorithm dynamically adjusts window’s length of the target users according to the computing resources usage rate such as CPU and allocates computation time in accordance with categories and access popularity of items, it achieves that computing automatically adapts the priority , similarity computation difficulty of items and target users, Improve the computation efficiency and response speed. Moreover, the thesis creates a interest measure function by Access number changing over time to adapt interest drift, which Improves the quality of the recommended. The experimental results show that the algorithm has faster speed, more accurate recommender precision and a better user experience. Key words：user interest drift；；recommendation ；引言 2014年1月，中国互联网络信息中心（CNNIC）发布的第33次《中国互联网络发展状况统计报告》[1]显示：截至2013年12月，中国网民规模6.18亿，年增长3.7%；移动社交网络用户5.02亿，年增长19.1%；网购用户3.02亿，年增长6%，互联网发展由“数量”向“质量”转换。同时用户规模的急剧增长也带来了网络信息的“泛滥成灾”：“信息迷航”、“信息过载”问题[2]更加严重，用户“信息海洋”一片茫然，寻找感兴趣的信息更加困难。个性化推荐技术通过