论文部分内容阅读
伴随着信息化的不断普及与互联网技术的不断创新,信息过载问题从更多、更广的方面影响着我们的生活。推荐系统已经成为继搜索引擎之后处理信息过载问题的又一有力武器。如今传统推荐系统在诸多领域都已经取得巨大的成功,但是随着用户需求的变化,传统推荐系统不能为用户群组产生推荐的弊端逐渐显现出来,为此组推荐系统应运而生。组推荐系统能够支持多成员群组的推荐服务,已经成为推荐系统中新的研究热点。传统推荐算法和组推荐算法中,都没有对用户兴趣变化问题进行考虑,从而造成了推荐准确性的下降,在一些基于时间加权的协同过滤算法中对推荐时效性的考虑也有所欠缺。针对这些问题,本文通过对传统推荐算法与组推荐算法的研究,分析了用户兴趣变化对各个算法的影响,在传统推荐算法中提出了一种适应用户兴趣变化的改进型协同过滤算法,在组推荐算法中提出了一种结合用户特性和用户兴趣变化的组推荐算法。适应用户兴趣变化的改进型协同过滤算法在传统协同过滤算法的基础上结合用户兴趣随时间转移的特点,改进了相似度的度量方法,同时引入了一种增强的时间衰减模型来度量预测值,并且将这两种方式有机的结合起来,解决了用户兴趣变化问题,同时考虑了推荐算法的时效性。在仿真实验中,分别在不同的数据集上对比该算法与UserCF-BP、UserCF-BE、TCNCF以及PTCF的预测评分准确度和TopN推荐准确度后发现,本文提出的算法能够有效的提高预测评分准确度以及TopN推荐准确度。结合用户特性和群组兴趣变化的组推荐算法首先根据用户特性使用聚类方法进行群组发现;其次为了能够更好的模拟用户兴趣变化,在组推荐算法中提出了一种时间惩罚协同过滤算法,并使用该算法对群组内的成员评分进行预测;最后鉴于现有偏好融合策略的局限性,提出了比重偏好融合策略,通过结合使用现有偏好融合策略来弥补它们的不足,同时采用了评分融合方法以及比重偏好融合策略将群组内各用户的偏好进行融合,得出群组预测评分,从而为群组产生推荐结果。在仿真实验中,衡量了用户特性值数量和群组数量对算法的影响,并通过与BaseGRA、ImprovedGRA以及GRAU进行对比后发现,本文提出的算法能够有效的提高组推荐的推荐准确率。