论文部分内容阅读
在当今信息时代当中,电子商务的发展十分迅速,并且在日常生活当中得到了广泛的普及,随着网络信息的飞速增长,信息过载的问题日益严重,而推荐系统可以有效缓解该问题,因此推荐系统已经逐渐成为人们关注和研究的焦点。组推荐作为推荐系统的一个重要分支,其主要目的是处理目标用户从单一用户变为多用户的情况下的物品推荐,目前现有的组推荐方法大多局限于聚合用户偏好本身,而往往忽视组推荐相对于单用户推荐的特殊性,即用户之间和群组之间的特性。本文在对现有组推荐技术充分分析的基础上,结合现实生活中的应用场景以及电影推荐应用,针对用户及群组特征对组推荐展开研究,主要贡献概括如下:(1)针对传统的推荐系统中物品的离散化属性标签描述准确度低的问题,提出了一种将离散化属性标签连续化的方法,使推荐系统能够更精准的推荐。该方法首先通过提取专家用户的方式获取到每个属性标签的属性专家用户,之后利用属性专家用户的评分信息对物品的属性标签进行衡量,从而实现了将物品的离散化属性标签连续化的过程。此外,在该方法的基础上提出了DASC的推荐算法以及M-DASC的混合推荐算法,进一步验证了连续化方法的有效性。(2)针对目前组推荐方法中缺乏用户交互的特性,提出了一种在组推荐评分预测过程中加入偏好交互的算法模型。模型将预测的评分分为自我预测和偏好交互两部分,首先根据用户交互特性对组推荐中的偏好交互部分进行了系统的设计与分析,然后提出了一种偏好交互模型下的用户评分预测方法,最后针对群组当中的每个用户,给出了一种通过历史组活动信息和推荐后评分反馈机制生成个性化交互参数的方法,从而提高组推荐算法的真实满意度。(3)为实现一种基于用户及群组特征的组推荐系统,结合以上两种方法和模型,对偏好交互式组推荐模型进行了扩展并提出了综合性IMDG组推荐算法。首先从用户分类的角度对偏好交互式组推荐模型进行了延伸并提出基于用户分类的组推荐算法,然后根据模型特性提出了偏好交互式的组推荐算法框架,最后应用该框架同时结合以上几种方法,提出并实现了一种综合性的组推荐算法IMDG,并对通过实验验证了其有效性。