基于社会化媒体情境多维协同智能.docVIP

基于社会化媒体情境多维协同智能 　　摘要：针对传统协同智能推荐技术的冷启动、数据稀缺性问题，为提高推荐算法的效率和准确性，提出一种基于社会化媒体情境的多维智能推荐算法模型。该模型将目标用户的属性特征、行为特征考虑到社会化媒体情境信息中，并动态实时捕捉用户在不同社会化媒体情境下的偏好倾向，利用联机分析处理（OLAP）技术对多维数据进行处理。该模型将用户间的社会化关系和所处的政治经济环境视为衡量用户相似的重要指标，同时使用皮尔森系数和云模型来计算用户间各特征的相似度，并以此为推荐基础向用户呈现更个性化和定制化的推荐结果。实验结果表明，该模型的推荐结果的平均绝对误差明显小于传统的协同智能推荐和单纯的基于云模型推荐技术。 　　关键词：社会化媒体；情境；协同推荐；多维；云模型 　　中图分类号： TP393.0 文献标志码：A 　　0引言 　　在互联网+和云计算技术快速发展的动态市场环境中，客户和技术的需求使购物的方式、种类等日益变化，造成应用数据量显著增长，产生了信息迷航和信息超载的问题[1]：大量信息同时呈现，使得用户很难获取所需信息资源，反而降低了信息的使用效率。 迫使电子商务推荐系统有效并有效率地为用户提供其所需获取的信息。一个推荐系统的成功运作很大程度上取决于网站能否在特定情况下快速准确推荐出用户最感兴趣的商品和服务。大数据时代网络用户的应用数据信息数量庞大，个性化推荐系统捕捉用户偏好信息不能局限于单一购物网站，不能静态获取用户的情境信息，应动态结合其所在的社会化媒体情境（social media context），在不同的平台挖掘用户的属性特征信息。如何在社会化媒体情境下设计一种便捷、高效、准确的推荐方法用于解决复杂的用户兴趣商品服务推荐问题成为了众多学者关注和研究的重点。 　　在个性化推荐选择问题的方法研究方面，方法的选取、设计和面临的问题主要是：一是近年来应用较多的一些智能算法如基于内容的推荐算法、基于协同过滤的推荐算法、基于关联规则推荐算法和基于效用推荐算法等上述推荐算法在研究过程中，由于所选指标、考虑推荐环境等方面的不充分，造成数据稀缺、冷启动、推荐精度低、用户黏性下降等问题。 　　另一是现有的个性化智能推荐算法存在的主要问题有数据稀疏、可扩展性差、冷启动、推荐精度低等。通过分析用户的浏览行为[2-3]寻找用户的兴趣，分析了商品和用户间的关联关系，挖掘出用户的浏览偏好，并未考虑到不同平台间用户浏览偏好信息的共享；通过按用户静态情景因素聚类[4]，缩小相似用户的范围，算法能有效提高推荐质量，但未考虑利用用户的动态浏览行为、用户的社会化关系进一步挖掘；将情境因素考虑在了推荐模型[5-7]中，采用协同过滤算法与其他算法改进推荐，提高了预测精度和个性化推荐，有效地解决冷启动的问题，但是用户情境信息仅包括用户年龄、性别和职业三个要素，缺少对用户间关系的准确把握。基于云模型的协同过滤推荐算法[8]克服了向量相似度计算过程中比较方法匹配对象的不足，但并未基于定性知识对数据稀缺性矩阵进行填充。将用户浏览行为与偏好的关系、用户的静态情境信息的聚类以及情境因素引 　　入到智能推荐模型，在一定程度上提高了推荐的效率和准确性，但是大数据时代，仅考虑单一平台的情境因素不足以挖掘出用户之间的复杂社会化关系。 　　以往文献对个性化推荐系统选择问题的研究大多数是基于单一购物平台的视角，侧重于购物情境下基于用户历史偏好信息的单向推荐，而站在整个社会化媒体情境全局的视角，同时对不同平台间考虑到用户的社会化关系对用户进行推荐的研究相对较少。本文从用户信息获取全局最优的视角出发，研究在社会化媒体情境下多平台间的个性化推荐选择问题，目的是搜寻最优的商品或服务满足用户需求。借鉴前人对情境下个性化推荐系统的研究策略，集成电子商务网站和社交网络平台数据，引入宏观和微观的社会化媒体情境，本文提出了基于社会化媒体情境信息的多维智能协同推荐技术。 　　1社会化媒体情境多维智能推荐问题 　　多维智能推荐技术在推荐过程中考虑到差异化的社会化媒体情境对用户的行为产生影响，动态实时捕捉用户在不同社会化媒体情境下的兴趣，为了更精准地为用户进行推荐，首先需要跟踪和了解用户的偏好和行为特征以及所处的实时网络环境和事件等社会化媒体情境。根据目标用户和待推荐项目当前所处的社会化媒体情境，计算相应用户间的相似度，据此寻找目标用户的最近邻居，然后根据最近邻居用户的偏好程度进行综合推荐。 　　1.1基本定义 　　定义1用户。访问网站的用户。用户信息特征包括：用户的注册时相关的信息，进入网站浏览等行为特征信息。将网站上浏览用户的集合定义为U={u1，u2，…，un}。 　　定义2用户属性。用户属性特征集A是用户已有的多种属性特征因素的集合，主要包括性别（Gender）