基于多模信息融合个性化推荐系统研究.docVIP

基于多模信息融合个性化推荐系统研究 　　摘要：为了解决信息过载的问题，我们可以通过在用户和产品之间建立二元关系的方法，利用已经拥有的比较相似的关系或者选择过程，挖掘出各用户可能感兴趣的对像。目前解决信息过载问题最有效的工具就是个性化推荐，该文利用不同的推荐算法，简单介绍了协同过滤系统，基于内容的推荐系统，基于用户—产品二部图网络结构的推荐系统，混合推荐系统。并分析这些推荐系统的特点以及存在的缺陷，帮助读者了解这个研究领域。 　　关键词：推荐系统；个性化推荐系统；协同过滤；基于内容推荐；网络结构推荐 　　中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2013）27-6067-02 　　现如今，我们可以看到很多解决信息过载问题的方法。例如，分类目录和搜索引擎。但是这两种方法都不能满足现在用户的个性化需要。因为现在的用户更多的是希望系统能够帮助他们准确、快速地推荐出他们想要的和他们潜在的喜好信息。而搜索引擎只能向那些能够表达出准确的关键词的用户推荐产品，因此不能解决用户的很多其他需求，如果当用户不能够找到准确描述自己需求的关键词时，搜索引擎就无能为力了。而个性化推荐系统就不要求用户给出很清楚的目标，它只要了解用户过去的选择过的信息来对用户的爱好进行建模，进而主动地把那些能够满足用户兴趣需求的信息推荐给用户。个性化推荐算法的出现，让那些对自己需要不明确的用户能够找到他们的兴趣点，主动地去浏览网页。网购已经成为我们生活的一部分了，如果我们不想出门，可以到当当或淘宝网上搜索想要的产品，然后你会搜出很多相关的信息，产品数目非常巨大。同时使用网络的用户数目也很巨大。好的推荐系统能够挖掘出用户可能喜欢，而自己还没有觉察到自己喜欢的产品。尽管现有的推荐系统已经取得了巨大的成功，但是还需要在不同领域中进一步完善和发展。该文简单介绍一些实用的推荐系统和推荐算法。根据推荐算法的不同，推荐系统可以分为如下几类：协同过滤系统；基于内容的推荐系统；基于用户—产品二部图网络结构的推荐系统；混合推荐系统。 　　1 协同过滤系统 　　协同过滤系统是最古老的并得到广泛应用的一种推荐系统。这个算法的诞生标志了第一代推荐系统的诞生。其核心思想是，根据该用户之前购买过的产品，来推荐一些该用户可能喜欢的产品（那些和用户之前喜欢的产品相似的产品）；也就是根据该用户的需求可以先找到和他有相似兴趣爱好的其他用户，然后把其他用户感兴趣的，而该用户没有听说过的产品推荐给他。 　　协同过滤推荐系统的算法可以分为两类，基于记忆和基于模型。基于记忆是预测系统中所有被打过分的产品信息，注重于预测用户的相对偏好而不是评分绝对值；缺席投票就是基于记忆方法的一种扩展。基于模型是把打过分的数据收集起来进行研究来得出用户行为模型，然后，再对某个产品进行预测打分。 　　协同过滤系统现在得到了很好的应用。它具有以下的优点 　　1）能够帮助用户推荐那些用户本人没有发现的喜欢的产品，相对用户来说的新信息。 　　2） 能够过滤难以进行基于内容分析的信息。 　　虽然协同过滤推荐系统得到了很好的应用，但是也面临很多问题。由于是基于用户对产品的评分，所以不论是对新用户还是新产品的推荐，准确度都不是很高。由于用户的数量的不断增加，计算量也不断的加大，直接影响了系统的性能。 　　2 基于内容的推荐系统 　　基于内容的推荐（Content-based Recommendation）是信息过滤技术的延续和发展，它是根据用户已有历史信息计算相似性作出推荐的。在基于内容的推荐系统中，产品是通过相关的特征的属性来定义，系统根据用户对产品的评价特征，研究用户的兴趣点，比较用户资料与待预测产品的相似程度。而推荐相似度最高的产品。 　　基于内容的推荐算法在对信息的获取和信息的过滤两个方面的研究已经很成熟.现在有很多基于内容的推荐系统都是先对产品显示出来的文本信息进行分析，找出相似度比较高的产品进行相应的推荐. 　　在基于内容的推荐系统中，我们常常把产品的内容用一些关键词来描述出来.基于内容的系统推荐，就是把不同的候选产品和用户过去喜欢的产品进行比较，然后将相似度最高的产品推荐给用户. 　　基于内容的推荐系统中，通过用户的感兴趣的信息建立用户资料，把用户的兴趣点进行归纳。然后再把归纳出的几个主题文件与文本内容的相似度进行对比，把相似度较高的选择出来展示给用户并更新用户的资料。自动获取或更新用户资料的方法既要考虑用户资料的易更新性也要考虑用户资料的准确性。我们要想准确地挖掘用户感兴趣的信息那就要消耗大量的计算资源，同时也会影响到更新速度。反之，如果更新速度快，其准确性就会受到影响。我们可以通过人机交互的方法来解决这个问题。通过简单的交互式问题来收集用户的信息，从而得出用户的兴趣爱好.