论文部分内容阅读
随着电子商务和互联网的发展普及,使得面向用户的个性化推荐越来越被重视,准确的推荐不仅仅能帮助用户节省大量时间而且可以帮助电子商务网站赢得用户的关注,进而提高电子商务网站的销量。然而不同用户的背景不同,对推荐结果的期望也不同,因此需要从多个角度挖掘用户隐藏的信息,更好的为用户给出个性化的推荐。本文研究基于用户的潜在行为以及社交关系发掘用户的偏好,从以下方面优化用户个性化推荐:研究用户行为时效特征以及用户行为和偏好的关系,并提升预测用户偏好的效率;研究网页拓扑与网页权重的关系,进而优化网页排序,为用户给出准确的推荐;研究基于负向社交关系以及主题被推荐给用户的概率特征为历史信息非常稀少的非活跃用户给出推荐,优化基于负向社交关系和推荐主题概率特征的融合,为非活跃用户给出准确的推荐。提出以下方法优化用户的个性化推荐:(1)提出一种优化基于行为感知的用户个性化推荐方法,通过分析用户的历史访问行为,建立映射用户行为和偏好关系的隐马尔可夫模型,并通过聚类减少优化用户参数的时间,得到一种平衡准确度和时间复杂度的个性化推荐方法。(2)提出基于网页拓扑识别网页异常排名的用户推荐优化方法,基于网页拓扑识别异常提升网页排名的行为,研究网页拓扑对网页权重值的提升效果,并通过网页的链入权重值和链入网页数量的关系识别网页异常排名现象,为个性化推荐创造公正的网页排名环境,进而提高对用户的个性化推荐质量。(3)提出基于负向社交关系和泊松过程融合的非活跃用户推荐优化方法,由用户间的初始负向社交关系和衰减传递系数矩阵扩展用户间的负向社交关系,基于负向社交关系约束为非活跃用户给出推荐主题的期望,然后基于泊松过程预测用户对推荐主题满意的概率,将概率高的推荐主题作为最终的推荐发送给用户,为非活跃用户给出准确的推荐。