论文部分内容阅读
隐式反馈数据具有收集成本低、容易获取和应用广泛等特点,而且能够在不影响用户体验效果的情况下获取,但也具有数据稀疏、包含噪声等缺点,解决推荐系统面临的数据稀疏问题具有重要意义。用户所处环境对用户的选择起着重要作用,基于情境感知的推荐系统受到广泛关注,利用隐式反馈数据进行情境感知推荐有着广泛的应用前景。 在数据库建立方面,本文首先使用Last.fm提供的API接口获取用户的日志数据,然后对数据进行预处理,分别建立用于验证不考虑情景信息和融合情景信息不同算法的数据库,最后对数据信息进行可视化分析,并对数据集的特征进行分析。 在基于隐式反馈的推荐算法研究方面,本文首先基于排名倒数(Reciprocal Rank)的理论基础,对排名倒数的计算方法进行了改进,然后与概率矩阵分解(ProbabilisticMatrix Factorization)模型相结合建立了RR-PMF模型,通过直接优化排名倒数来提取用户偏好,最后利用K近邻模型的优点,进一步提出了RR-UBPMF算法,结合近邻用户的特征偏好进行推荐计算。实验结果表明,本文提出的RR-UBPMF算法能够有效地提高推荐音乐项目的准确率和排名效果。 在基于情境感知的推荐算法研究方面,本文首先对传统的情境信息表示方法进行优化,将多维情境信息转化为一维进行表示,降低模型的维度便于计算,然后进一步改进了排名倒数的表示方法,使用情境相对偏好计算排名倒数,最后在RR-PMF模型的基础上与张量分解相结合,提出了基于排名倒数的张量概率矩阵分解模型(TFPMF)进行情境感知推荐。 研究结果表明,本文提出的TFPMF算法对数据稀疏问题能够有效改善,并且非常适用于多维情境信息推荐,在推荐准确度、尤其是排名指标NDCG上能够有效提升推荐结果,非常适用于TOP-N推荐。