适应用户兴趣变化的改进型协同过滤算法.docVIP

适应用户兴趣变化的改进型协同过滤算法 目录 TOC \o 1-9 \h \z \u 目录 1 正文 1 文1：适应用户兴趣变化的改进型协同过滤算法 1 2适应用户兴趣变化的改进型协同过滤算法 4 文2：适应就业环境变化的高职教育对策研究 8 一、就业环境变化新趋势 8 (一)从经济运行到法律环境加快融入全球化 8 (二)外国 企业 大量涌入，促进就业环境改善 9 (三)就业市场的国际化 10 二、高等职业教育的应对之策 10 (一)更新教育观念 10 (二)适时参与竞争 12 (三)调整职业教育结构 13 (四)强化能力培养 13 参考文摘引言： 14 原创性声明（模板） 15 文章致谢（模板） 16 正文 适应用户兴趣变化的改进型协同过滤算法 文1：适应用户兴趣变化的改进型协同过滤算法 0引言 随着大数据时代的来临，我们已经由原来的信息匮乏时代迈向了信息过载的时代。人们每天需要面临海量的信息，面对这些海量信息，用户需要根据其信息需求投入大量时间进行信息的过滤和选择，产生信息过载问题[1]。为了解决信息过载给用户带来的困扰，学术界和业界进行了大量信息技术的创新和实践，推荐系统正逐渐成为解决信息过载的主要发展方向[1]。推荐系统可以根据用户的个体信息需求，为其提供个性化信息推荐，在海量信息空间中，以个性化的方式引导用户获得有用的信息对象[2]。如今，推荐系统已经成功应用在诸如电子商务[3]、数字图书馆[4]、新闻[5]等诸多领域，并且取得了不错的成果。 协同过滤（collaborative filtering）算法是应用最广泛，同时也是发展比较成熟的一种推荐算法。协同过滤推荐算法由于其与推荐内容的无关性，并可发现用户的潜在信息需求等优势，已经成为了推荐算法中最具发展前途的方向[6]。著名电子商务网站亚马逊的个性化推荐系统有着推荐系统之王的美誉，其核心算法就是协同过滤算法。据悉，亚马逊通过推荐系统，将其销售额提升了30%[3]。传统协同过滤算法没有考虑用户兴趣的变化，造成了推荐准确性的下降。早期的协同过滤算法研究中，通常使用将时间作为加权项与相似度或者预测评分进行结合的方法解决用户兴趣变化的问题。任磊[7]提出了一种将评分时间因子与皮尔逊相关系数相结合的相似度计算方法来模拟用户兴趣变化；丛晓琪等[8]将一种时间加权函数融合到预测值的计算中，提高了推荐的准确度。上述算法没有考虑产生推荐的当前时间，不能够反映推荐产生时用户的兴趣变化，降低了推荐的时效性。 本文旨在解决用户兴趣变化问题，并提高推荐算法时效性，提出了一种适应用户兴趣变化的改进型协同过滤算法（Improved Collaborative Filtering recommendation algorithm incorporated with User Interest Change， ICFUIC）。主要从以下两个方面对传统协同过滤算法进行了改进：首先，提出了一种改进的欧氏距离相似度度量方法，在欧氏距离的计算中引入时间信息来模拟用户的兴趣变化；其次，在预测值计算时引入了一种增强的时间衰减模型，加入了推荐的当前时间，提高了推荐时效性。 1相关研究 传统协同过滤算法 协同过滤技术是推荐系统中应用最为成功的一种信息过滤技术[9]，主要利用与目标用户相似的用户行为（评分、点击次数等）推断目标用户对特定产品的喜好程度，然后根据这种喜好进行相应的推荐[10]。算法输入一般为用户项目评分矩阵，输出可以为用户对项目的预测评分或推荐的项目列表。传统的协同过滤算法又可以分为基于用户的协同过滤（UserCF）算法和基于项目的协同过滤（ItemCF）算法。本文将以UserCF算法作为研究的基础协同过滤算法。UserCF算法首先利用已有的用户行为记录计算出各用户之间的相似程度，常用的计算用户相似度的方法有皮尔逊相关系数方法（式（1））、欧氏距离相似度方法（式（2））、余弦相似度方法等；然后选取最相似的若干用户组成最近邻集合，并通过最近邻集合中用户行为记录来对目标用户可能的行为进行预测，预测函数如式（3）所示；最后根据预测产生推荐结果。 基于时间的协同过滤算法 为了解决用户兴趣的概念漂移问题，文献[11]中提出了一种时间加权协同过滤算法，即引入时间加权函数来改进相似度的计算，通过时间加权函数对用户的相似度进行加权处理，评分时间较近的两个物品权重更高；反之，权重越低。文献[12]中通过引入了艾宾浩斯记忆曲线来模拟用户兴趣的变化，并将遗忘曲线进行拟合后的拟合函数作为时间加权函数引入到相似度度量中。文献[13]中了将时间信息引入到奇异值分解（Singular Value Decomposition， SVD）