论文部分内容阅读
随着信息技术的飞速发展,人们所能获取的信息数据急剧增加,同时人们发现从海量数据中获取真正感兴趣的内容越来越难。推荐系统是为了解决信息过载问题而提出的一种智能系统,根据用户需求和偏好提供个性化的信息和服务。目前推荐系统已经在电子商务领域取得了巨大成功,但仍然存在很多问题和缺陷,需要进一步深入研究。
协同过滤推荐算法是推荐系统中应用最成功的推荐算法之一,该算法基于用户之间偏好的相似性,利用相似用户的兴趣点为目标用户进行推荐。典型的协同过滤推荐算法只关注用户对对象的评分信息,根据用户的评分信息来确定相似用户集合,并没用考虑用户和对象本身的信息,当评分信息非常稀疏时,会严重影响推荐质量。本文针对这个问题,结合用户属性信息对协同过滤推荐算法进行改进,提出了两种改进方案,并分别设计实验对两种改进算法进行验证。实验结果表明这两种结合用户属性的改进算法在推荐准确性和缓解数据稀疏性方面要优于传统的协同过滤推荐算法。
传统的推荐算法往往只关注“用户-对象”之间的关联关系,较少考虑用户所处的上下文环境(如时间、位置、网络条件等),然而在许多应用场景下,上下文是影响用户信息需求和选择的重要因素。将上下文信息引入到推荐系统中,以进一步提高推荐精确度和用户满意度,具有重要的研究意义和实用价值。针对这个问题,本文研究了目前常见的基于上下文的推荐算法,并设计实验将基于上下文预过滤的协同过滤推荐算法同传统的协同过滤推荐算法进行了比较,根据实验结果提出了一种基于上下文的协同过滤混合推荐算法。另外,本文在基于上下文的推荐多维数据模型研究基础上,基于“用户-对象-上下文”三维推荐模型和上下文相似度计算,提出一种基于用户上下文相似度的改进协同过滤推荐算法,并设计实验验证了该算法的可行性,实验结果表明该算法能够有效地对用户进行基于上下文的偏好预测,并且与传统的协同过滤推荐算法相比具有更高的推荐准确度。