论文部分内容阅读
近年来,上下文感知推荐技术成为推荐领域研究的热点之一,它的目的是使用上下文信息进一步提高推荐系统的预测精度。因此,研究如何在基于项目的协同过滤系统中使用情绪上下文有非常重要的意义。本文首先介绍了推荐系统的相关技术,着重介绍了协同过滤推荐技术。针对推荐系统中普遍存在的数据稀疏性问题和过度拟合问题,本文提出使用因子分解模型、邻居模型和情绪上下文结合的协同过滤算法缓解上述问题。文中对提出的三个不同算法进行深入的研究,最后通过实验验证了三个算法的有效性。本论文的主要工作包括以下几个方面:(1)研究因子分解模型和情绪上下文结合的推荐算法,其目的是有效缓解数据稀疏性。该算法提出了两种因子分解模型:第一种模型通过构造“用户-项目”二维矩阵,使用SVD矩阵分解方法逆向填充稀疏矩阵,然后使用情绪上下文对填充矩阵作预过滤处理,最后使用Top-K策略进行预测推荐。第二种模型通过构建“用户-项目-情绪”多维矩阵,使用已知评分信息训练得到预测模型,最后使用模型公式进行预测推荐。实验对比表明该算法可以缓解数据稀疏性问题。(2)研究邻居模型和情绪上下文结合的推荐算法,其目的是有效缓解数据稀疏性产生的过度拟合。该算法首先构造“用户-项目-情绪”三维模型,使用提出的邻居关系挖掘方法,对三维模型进行降维处理得到项目的相似邻居,最后使用最小二乘拟合计算得到相似项目的插值权重后进行预测推荐。实验对比表明该算法可以缓解过度拟合问题。(3)研究因子分解模型、邻居模型和情绪上下文组合的推荐算法。在上述两种方法研究的基础上,提出情绪上下文相似度计算方法,改进上文中的因子分解模型和邻居模型的构造方法,将两种模型组合后进行推荐预测。实验对比表明该算法能够获得比使用单一模型算法更好的推荐精度。本文针对推荐系统中存在的数据稀疏性问题和过度拟合问题,提出了因子分解模型、邻居模型分别和情绪上下文相结合以及两种模型同时与情绪上下文相结合的推荐算法,实验对比表明上文提出的三个算法较传统算法更有效,且组合推荐算法能够获得比前两个算法更好的推荐精度。