论文部分内容阅读
近年来,信息技术不断发展,互联网络技术在人们的生活中发挥着重要的作用。随之产生的海量数据中存在着大量未被挖掘的信息,没有有效工具的帮助,人们在寻找有效信息的过程中耗费了过多的成本。推荐技术正是在这样的时代背景下产生的。由于它能够准确分析用户特性,主动推荐用户兴趣,挖掘用户潜在爱好,深受使用者推崇,并在诸多领域得到应用和推广。传统推荐算法存在用户兴趣变化、数据稀疏、可扩展性差、冷启动等缺陷,对此,本文对传统推荐算法进行改进。推荐算法的评分数据集过于稀疏,用户间有效重合项目过少或存在一定量的包含关系,同时由于用户兴趣会随着时间的变化而变化,最终导致推荐结果准确率低。本文提出了一种基于项目占比因子和时间衰减的协同过滤推荐算法(ITDCF),用于解决数据稀疏性问题和用户兴趣变化问题。通过分析近邻用户的兴趣,预测目标用户的兴趣点,使得推荐算法在挖掘用户潜在爱好上具有更高的针对性。项目占比因子方法将用户间相似度进行放大处理,过滤出兴趣更为一致的用户,更准确的定位用户兴趣。将时间衰减函数加入到评分预测中,减弱用户以前的兴趣点对当前兴趣的影响,符合了用户兴趣随时间变化的特点。实验表明,本文所提的个性化推荐算法在预测评分准确性和项目推荐质量方面具有更优的结果。由于个性化推荐忽略了社会化因素和群组特征,无法融合组内成员偏好,为了得出尽可能满足群体一致性社会活动的需求,更多学者开始关注组推荐技术。其推荐对象为多于一人的群组,通过发现群组、预测并融合群组偏好,实现组推荐。本文提出一种基于项目占比因子和群组贡献度的组推荐算法(GRIC),该算法使用一种新的基于群组贡献度的偏好融合策略(PFSGC),根据组内每位用户与群组的关联程度进行偏好融合,综合考虑组内每位用户的兴趣,降低了离群用户对组推荐的影响。实验表明,GRIC算法与用户特征个数及种类、群组个数等因素之间存在关系,而与其他组推荐算法的对比实验表明了 GRIC算法在推荐准确度上具有优势。