论文部分内容阅读
个性化推荐系统,通过主动为用户推送其感兴趣的信息或服务,帮助用户减少寻找信息的时间,现已成为解决信息过载问题的有效手段之一。近年来,多指标评分推荐系统作为一种新兴的推荐技术,已被成功应用于多个行业领域,其核心思想是通过利用用户提供的关于商品在不同指标度量上的评分数据,对用户兴趣进行建模,为用户提供高质量的推荐服务。目前有关多指标评分推荐系统的研究工作基本假定用户对所有商品具有相同的指标偏好,即对商品的特征属性具有相同要求。然而,实际生活中,用户对不同的商品可能具有不同的指标偏好,如何区别并利用用户对商品不同的指标偏好,成为当前多指标评分推荐系统的研究热点之一。针对这一问题,本文提出一种新颖的基于双向聚类的推荐技术:首先根据用户对商品的多指标评分信息将用户和商品同时进行聚类,聚类后位于同一簇内的用户对簇内的商品具有相同或者相似的指标偏好;在进行双向聚类的基础上,本文提出两种不同的算法利用聚类结果产生推荐:基于主成分回归的聚合函数算法和多指标协同过滤算法。其中,基于主成分回归的聚合函数算法能克服传统基于最小二乘回归聚合函数算法的不足,如无法消除多个指标评分之间的共线性影响、无法为冷启动用户产生推荐等。另一方面,本文还提出利用用户撰写的商品评论抽取多指标评分,并将其应用于上述聚类与推荐的过程之中,比较其与用户直接提供的多指标评分的不同作用。本文使用两个从实际生活中收集得到的数据集对提出的推荐算法进行验证,通过与目前主流的多指标推荐技术进行比较,成功证明基于双向聚类的推荐算法能对用户的不同指标偏好以及相关的商品进行区分利用并提供更高质量的推荐结果;此外,对用户直接提供的和间接从评论挖掘得到的两种多指标评分的不同作用也进行比较,研究表明,前者有利于为更多的用户产生推荐,后者有利于提高推荐结果的准确率。