基于情景相似度的多维信息推荐算法设计与实现.docxVIP

基于情景相似度的多维信息推荐算法设计与实现 摘要：传统信息推荐方法只涉及到用户和项目(资源)这两个因素,忽略了情景因素,导致推荐效率比较低,而多维信息推荐在推荐的过程中考虑情景因素对用户行为的影响,动态捕捉用户兴趣在不同情景下的变化,从而大大地提高了信息推荐的效果,向用户提供更加个性化、智能化的推荐结果。本论文首先分析传统信息推荐的主要流程,然后提出了情景以及情景相似度这两个新的概念,构建了基于情景相似度的多维信息推荐系统模型,研制了基于情景相似度的多维信息推荐算法,并通过实验研究的方法验证了论文所提出的新算法的高效性与优越性。 1 引言随着网络技术的普及和发展,网络已成为人们获取信息的一个重要途径。同时随着网络信息量的日益增长,“信息超载”目前已经成为迫切需要解决的问题。信息推荐技术是一项主动信息服务技术,是指根据用户的兴趣特点,向用户推荐用户感兴趣的项目。项目(item)指用户可能感兴趣的某些资源如电影、书籍、餐馆等。信息推荐能从大量信息中自动选择符合用户兴趣的资源推荐给用户,满足用户的个性化需求,有效解决“信息超载”问题,因此近年来在信息服务领域获得了较多的研究和应用。信息推荐可以概括为预测某个用户对某个项目的可能评价。一般而言,这种预测是以该用户对其他项目的评价为基础的。当预测到用户对项目的可能评价之后,推荐系统就能向用户推荐评价最高的一个或者多个项目。2 传统信息推荐的相关方法研究协同过滤(collaborative filtering)是目前应用最广泛的信息推荐方法。本文提出的新方法是属于协同过滤信息推荐方法。因此,本文只对协同过滤方法进行介绍。协同过滤方法是依据“相似用户具有相似兴趣”的基本假设来开展信息推荐的2.1 信息推荐的流程为了便于分析,本文对相关术语进行如下统一。在信息推荐中,需要推荐的目标用户(active user)用a表示,其他用户用u表示。协同过滤信息推荐的流程(1)构建用户×项目评分矩阵协同过滤方法根据用户兴趣的相似性来推荐项目,它把用户对项目的评分作为用户兴趣的表现形式,这种评分可以映射为一个用户对项目的兴趣矩阵。表1显示了用户×项目评价评分的构成。假设有K个用户,M/个项目,则用户×项目评分矩阵表现为一个K×M的矩阵。其中,每一项R(2)计算相似度在这一阶段,协同过滤方法将计算用户之间的相似度。协同过滤方法是在评分数据集的所有用户中搜寻目标用户的“最近邻居”,形成最近邻居集。“最近邻”是通过计算其他用户u与目标用户a的相似度而得到的。计算用户相似度的方法有多种,其中最普及的方法是Pearson相关相似度。Pearson相关相似度的计算方法如下:Sau表示是目标用户α与其他用户u共同给过评分的项目集合,(3)产生预测结果协同过滤方法通过分析目标用户的最近邻用户的评分来预测目标用户对某项目的评分,即:目标用户α对项目i的未知评分P其中,2.2 研究现状与趋势随着个性化信息服务范围的扩大和重要性的提升,用户对个性化推荐的内容、方式和准确性等提出了更高的要求,传统推荐方法的不足也日益明显。目前信息推荐研究的新趋势主要包括:(1)新用户建模通常用户在使用系统的初期最需要获得有效的推荐,而由于系统与新用户之间交互信息不足,而无法正确预测新用户的兴趣并为其建立特征模型,导致这一阶段用户获得的推荐结果质量较差,进而影响用户对系统的信任度。(2)综合了解用户与项目、挖掘用户隐性兴趣传统推荐方法通过分析用户的历史评分了解用户兴趣,这些评分数据只能代表用户的直接兴趣,据此计算的推荐结果也只能满足用户的表层需求。传统推荐方法缺乏对用户隐性兴趣的发掘,不能满足用户的潜在需求。(3)多维度推荐、动态调整用户模型维度表示推荐空间的范围。传统推荐方法只涉及用户和项目两个基本维度,忽略了时间、空间、用户行为等其他维度对推荐结果有效性的影响。然而,在动态环境中,用户对项目的喜爱会随着情景的变化而变化。传统推荐方法缺乏动态捕捉用户兴趣变化并及时调整用户模型的能力。本文主要是针对第三种新趋势,研究一种新的基于情景相似度的多维信息推荐方法。3 多维信息推荐研究Adomavicius3.1 情景Dey3.2 情景相似度传统的协同过滤推荐方法只计算了用户(或者项目)之间的相似度,忽略了情景因素。本文提出情景相似度这一新概念,情景相似度是指的情景之间的相似程度。同一用户在不同情景下可能对同一项目的评分是不相同的。因此,历史情景与当前情景是否相似决定着该历史情景下的历史评分数据是否作为计算当前情景下当前用户对某项目评分的重要依据。因此,在本文提出的新算法中,首先要计算各历史情景与当前情景的相似度。3.3 基于情景相