适应情景变化的兴趣点推荐算法研究.pdfVIP

摘 要 协同推荐是推荐系统中研究最多、应用最广的推荐方法，数据稀疏性问题是 其存在的主要问题之一，这在兴趣点推荐中更加突出，缓解数据稀疏性是兴趣点 推荐中亟需解决的问题。此外，很多情境感知类推荐系统将情景作为一个特征参 与到用户建模，得到一个确定的值，忽略了不同情景组合下某些情景对用户的影 响会改变的问题，需要一种有效的方法对这些情景做进一步分析。针对上述问题， 本文提出一种适应情景变化的兴趣点推荐算法，从项目标签的角度对用户偏好建 模，使用情景效用差进行预过滤协同推荐。本文受江西省教育厅科学技术研究项 目(GJJ170211)-适应情景变化的位置关联信息推荐方法研究的资助，具体研究工 作如下： （1）引入标签系统，用标签表示项目特征，并构建用户标签评分矩阵，从 更低阶的特征描述用户偏好，能够有效地缓解矩阵稀疏性，降低矩阵维数。 （2）以用户对标签的评分表示用户特征向量，根据用户特征向量进行用户 聚类和用户相似度计算，并进行评分预测。用户标签评分矩阵是一个稠密矩阵， 每个用户将会在全域范围内搜索邻居用户，用户聚类能有效缩减邻域搜索范围， 提高邻居搜索效率。实验结果表明，基于改进相似度和用户聚类的协同推荐优于 传统协同推荐。 （3）区分标签和情景，提出情景效用的概念，用来度量情景对用户的影响， 并使用情景效用差进行情景预过滤。针对很多情境感知类推荐算法忽略了不同情 景组合下，相同情景对用户影响程度不同的问题，提出一种适应情景变化的协同 推荐算法。引入用户情景效用的概念，并给出了计算情景效用差的有效方法，使 用效用差进行情景预过滤，减少了不合理数据的引用，并达到适应情景变化的目 的。在真实数据集上的实验表明：适应情景变化的推荐系统对情境感知类推荐系 统有明显改善。 关键词：用户偏好；协同推荐；兴趣点；情景变化；情景效用 I Abstract Collaborative recommendation is the most studied and widely applied in recommendation system. The problem of data sparsity is its inherent characteristic, which is more obvious in the recommendation of points of interest. Mitigating data sparsity is an urgent problem to be solved in recommendation. In addition, many context-aware recommendation systems take the context as a feature to participated in user modeling and the context will obtain a certain value. That ignores the problem that the impact of some contexts on user will change under different context combinations. Therefore, an effective method is needed for this case to do further analysis. In order to solve the above problems, this paper proposes Points of Interest Recommendation Algorithms Adapting to Context Changes. The algorithm models user preferences from the item labels, and uses contextual utility differences for pre-filtering collaborative recommendation.