基于多维度特征权值动态更新的用户推荐模型研究.docVIP

基于多维度特征权值动态更新的用户推荐模型研究 　　摘 要： 为了提高电影个性化推荐的准确性，将电影通过导演、演员、上映时间、类型和地区等五个部分作为特征维度来表征，特征维度权值采用CHI方法计算，特征维度的权值进行归一化后，电影之间的相似度可以通过特征维度间的相似度体现，用户推荐模型通过不断迭代更新对各维度特征权值进行修正，提高模型推荐的准确性。实验结果表明，改进的算法在MovieLens数据集能够获得较高的准确率和召回率，能够比较准确地捕获用户的兴趣，并在一定程度上解决了用户兴趣漂移的问题。 　　关键词： 多维度； 电影推荐； 权值动态更新； 个性化推荐模型 　　中图分类号： TN911?34； TP391 文献标识码： A 文章编号： 1004?373X（2016）15?0127?03 　　Abstract： In order to improve the accuracy of the movie personalized recommendation， the movie is charactered with the feature dimensions of director， performer， showtime， type and area. The weights of feature dimensions are calculated with CHI method， and then normalized to reflect the similarity among movies by means of the similarity among the feature dimensions. The user recommendation model can correct the feature weigh of each dimension with the continuous iteration update to improve the accuracy of model recommendation. The experimental results show that the improved algorithm can obtain high accuracy rate and recall rate with MovieLens dataset， capture the user′s interest exactly， and solve the user interest drifting to a certain extent. 　　Keywords： multi?dimension； movie recommendation； weight dynamic update； personalized recommendation model 　　0 引 言 　　随着信息的快速增长，越来越多的信息充斥在互联网上，搜索引擎虽然能够在一定程度上帮助人们搜寻需要的信息，然而其输出的结果通常具备通用性和普适性，缺乏对搜索结果的个性化和定制化[1]，基于此，本文主要就电影领域的个性化推荐展开研究，试图提高电影推荐的准确率。个性化推荐的目的是为了节约用户搜索信息的时间。个性化推荐对用户的行为日志进行分析，挖掘用户感兴趣的领域，以用户兴趣为导向进行定向推荐[2?3]。个性化推荐以兴趣的表示最为重要，推荐算法需要根据用户的兴趣表征进行内容相关度排序。目前，用户兴趣的表征有向量空间模型，树模型和本体模型等。其中，以向量空间模型应用最为广泛。 　　基于向量空间模型的用户兴趣表征将用户兴趣表示成键值对的形式，形如[{K1：V1，K2：V2，…，Kn：Vn}]，其中[Ki]表示兴趣词，[Vi]表示该兴趣词对应的权值[4?5]。以本文所要论述的电影领域为例，[Ki]可以表示演员这个维度的关键词集合，[Vi]表示该维度对应的权值。关键词权值的计算可以采用关键词出现次数，也可以采用该关键词的出现频率来表示。基于向量空间模型的用户兴趣表征方法只能反映用户对哪个关键词感兴趣，对于电影这种有明确维度标识的对象而言，文献[6]提出的基于领域划分的兴趣表征方法，针对不同的领域建立不同的兴趣模型，然而，向量空间模型只能反映用户对某个关键词感兴趣而不能反映对某个特征维度感兴趣。 　　本文提出针对电影对象，将电影划分为导演、演员、上映时间、类型和地区这五个维度，为每个维度分配维度权值，同时各个维度采用向量空间模型加以表示，向量空间模型中各个属性字段表示该维度内各个关键词，属性字段对应的权值表示各个关键词的权值，关键词权值的计算可以采用CHI或者关键词重复度，因此，电影对象用两层向量进行表征，在进行实际模型的