论文部分内容阅读
随着互联网多媒体的快速发展,网络媒体资源越来越丰富,人们从过去的买唱片、碟片听歌、看电影方式逐渐过渡为直接从网上搜索资源。但是,这些媒体资源在给人们带来方便的同时,也增加了人们的选择需求。在无目标的前提下,面对网络中庞大的媒体库,用户往往不知道该如何选择符合自己兴趣的媒体资源。于是,如何为用户推荐符合用户需求的媒体资源成为了很多学者、网站及其他相关媒介关心的问题。针对媒体资源,目前推荐方法主要包括TopN列表推荐和评分预测两种形式。TopN列表推荐需要对用户进行偏好分析,从而推荐与用户偏好最相近的前N个项目;评分预测需要对用户-项目的关系进行定量分析,对其评分进行准确预测从而对用户推荐评分高的项目;这两种推荐方法都需要对已有用户、项目信息进行潜在信息挖掘从而达到准确的推荐。为了验证融合信息对多种媒体的两种推荐均有重要作用,本文选取电影和音乐作为待推荐的媒体,分别在两种算法中融合不同空间信息,提出了两个基于融合信息的推荐算法。不同空间信息从不同侧面反映了用户的习惯及偏好,对推荐算法有良好的改进效果。两种推荐算法描述如下:针对TopN列表推荐,本文选取音乐为推荐目标,以社会化标签作为推荐主要数据源,深入挖掘其文本语义信息,采用基于内容的方法,融合标签三个不同方面的语义空间信息对用户进行歌曲推荐,详细的分析了用户标签对音乐推荐的重要作用,并验证了融合信息推荐方法能够有效地提高TopN媒体列表推荐准确率。针对评分预测,本文选取电影为预测目标,在目前流行的基于偏置矩阵分解算法基础上,建立了分别融入社交网络、电影标签和用户观看电影历史等相关信息的用户-电影评分预测模型,最后,融合所有语义空间信息对用户-项目的评分进行预测,并和近几年比较流行的推荐算法进行了综合实验对比,预测准确性有较大提高,验证了融合信息对媒体评分预测的有效作用。