论文部分内容阅读
伴随着经济社会建设与信息技术的快速发展,如何将用户感兴趣信息从海量数据中进行筛选和过滤,成为“大数据”时代下具有挑战性的问题之一。推荐系统应运而生,依据特定算法和指标,对用户的历史数据进行分析挖掘,从海量数据中主动为用户推荐能够满足他们兴趣和需求的信息。然而,由于传统推荐算法存在未考虑用户情境信息、冷启动和数据稀疏等问题,降低了推荐准确率和有效性。本文将用户情境信息考虑到推荐算法中,对用户进行兴趣建模,对聚类后的相似用户进行推荐,相比传统的推荐算法能够有效提高用户的推荐满意度和准确率,使拥有不同需求的用户得到更加满意的个性化服务推荐,在实际应用和课题研究中有重要意义。本文的主要工作和贡献概括如下:(1)考虑情境信息对推荐的影响,提出了基于K-means的情境聚类推荐(KCCF)算法。针对协同过滤推荐中已经存在的未充分考虑用户情境和数据稀疏问题,综合考量目标用户所处的情境,融合情境和协同过滤算法的优势,将用户及项目情境信息作为参数,构建用户-项目-情境评分矩阵,使用K-means算法对具有共同兴趣的用户进行聚类,随后对聚类产生的簇应用User CF算法,实现评分预测和Top-N推荐;(2)考虑时间因素对推荐效果的影响,对上述算法进一步改进,提出了基于K-means和时间加权的情境聚类推荐方法(KTCF)。在上述算法实现用户预测评分时加入时间权重,将评分权重和相似性矩阵重新分配,最终实现Top-N推荐;(3)作为对比算法,对一种改进的基于情境感知和神经网络的推荐算法(CNCF)展开具体分析,该算法利用神经网络挖掘情境信息中的隐含特征,对数据集中的名称字段采用卷积神经网络进行特征挖掘,并对其他情境信息构建嵌入矩阵,经过训练后分别得到用户关联矩阵及项目关联矩阵,拟合评分并做MAE优化处理后,实现Top-N推荐;(4)对上述三种基于情境感知的服务推荐方法和传统协同过滤推荐方法进行算法设计与实验,数据源采用了 MovieLens数据集。实验过程中,对相似邻数量和推荐数量均采取不同值,利用Recall、Precision、F1、MAE等指标在评分预测和Top-N推荐两个方面实现算法评价。实验结果表明,本文提出的基于K-means的情境聚类推荐方法、基于用户和时间加权情境聚类推荐方法以及基于情境感知和神经网络的推荐方法具有较高的评分预测准确性和推荐高效性。