论文部分内容阅读
目前,由于网络技术的飞速发展,互联网中的数据也跟着大幅度增加。从而将人们从一个信息闭塞的时代带入到一个信息化的大数据时代。在大数据时代,人们无法从大量数据信息中迅速找到自己需要的信息,从而降低了用户使用信息的效率,这就是目前比较普遍的“信息过载”问题。针对信息过载问题的一个有效的解决方法就是推荐系统。推荐系统能够自发的为用户寻找有用信息进行推荐。现在推荐系统的研究受到众多学者的青睐,并且在很大程度上取得了成功。但是随着推荐系统中数据量的不断增加,以及推荐需求不断复杂化,推荐系统中的问题也逐渐突显出来。针对推荐系统面临的问题和挑战,本文提出了一个基于用户兴趣变化和排序的个性化推荐模型。该模型分为基于用户兴趣变化的评分预测模块和基于排序学习的初始推荐列表重排序两个模块。基于用户兴趣变化的评分预测模块,主要解决用户兴趣变化问题带来的推荐不准确问题,最终产生一个初始的推荐列表。基于排序学习的初始推荐列表重排序模块,主要解决推荐结果的排序问题。最终将排在前面的几个商品推荐给用户。本文在评分预测模块中提出了基于用户兴趣变化的评分预测算法。该算法首先根据艾宾浩斯遗忘曲线建立时间效用函数,其次对项目进行时间加权的K-means聚类,最后通过时间加权的相似度计算找到最近邻居项目,初始的推荐结果因此而产生。在排序模块中提出了基于排序学习的初始推荐列表重排序算法。该算法首先进行评分数据的特征构建,其次确定训练样本,最后进行LR模型的排序学习,生成基于point-wise的排序学习模型。将评分预测模块产生的初始推荐列表输入到该模型中,计算列表中项目的得分,据此进行排序。最后将排在前面的项目推荐给用户。为了验证本文提出的基于用户兴趣变化和排序的个性化推荐算法的有效性。本文通过实验进行验证。实验表明本文提出的算法在MAE、RMSE、Precision和MAP等多个指标上表现突出。所以本文提出的算法是切实可行的。