本文選題：文章推薦 + 效用函數(shù)　； 參考：《計(jì)算機(jī)學(xué)報(bào)》2017年12期

【摘要】：近年來(lái),個(gè)性化推薦方法逐漸成為推薦系統(tǒng)領(lǐng)域的研究熱點(diǎn),文章推薦就是其中的一個(gè)分支.然而目前大部分文章推薦方法還存在以下問(wèn)題:首先,這些方法大多還是基于協(xié)同過(guò)濾或者基于內(nèi)容的推薦,而這些方法無(wú)法滿足用戶因自身偏好帶來(lái)的需求,它們傾向于通過(guò)獲取文章的各種不同屬性來(lái)代表文章,這樣的獲取方式存在著對(duì)文章本身理解的偏差.其次,還存在一些文章推薦方法使用搜索代替推薦,這種方法僅僅以用戶的偏好為基礎(chǔ),并不考慮文章的內(nèi)在屬性和聯(lián)系,反饋回的數(shù)據(jù)依賴于用戶做大量的判斷.這些都為文章推薦方法的研究提出了挑戰(zhàn)與機(jī)遇.該文主要聚焦的問(wèn)題是:(1)已有的文章有多大的可能性成為用戶的選擇.對(duì)于推薦方法來(lái)說(shuō),過(guò)去的文章更多的是通過(guò)一些文章屬性來(lái)獲取.如研究領(lǐng)域、作者姓名、文章權(quán)威性、文章發(fā)表時(shí)間、引用數(shù)量等,這些屬性的數(shù)據(jù)量龐大且沒(méi)有量化標(biāo)準(zhǔn),用戶不容易通過(guò)這些信息來(lái)準(zhǔn)確獲取自己想要的文章;(2)什么樣的推薦方法能將用戶需要的文章更好的推薦出來(lái).由于用戶的偏好是一種理性和感性的共同選擇,因此推薦方法不僅需要考慮文章自身的影響力,還要考慮用戶需求的程度和方向.該文通過(guò)分析用戶與文章的關(guān)系,提出一種個(gè)性化文章推薦方法,該方法基于效用理論,為了得到效用函數(shù),該文將文章屬性和用戶偏好作為效用函數(shù)的元素,首先分析了文章屬性和用戶偏好之間的關(guān)系,其次通過(guò)最優(yōu)化的效用函數(shù)得到用戶對(duì)文章的評(píng)價(jià)值,最后通過(guò)對(duì)不同的評(píng)價(jià)值進(jìn)行比較,將相關(guān)的文章推薦給用戶.這樣就可以通過(guò)效用函數(shù)最終獲取用戶所需的文章.該文的貢獻(xiàn)主要包括以下幾方面.(1)建立了一種關(guān)于論文屬性和用戶偏好的組合模型,該模型是通過(guò)效用函數(shù)建立的,目標(biāo)是使用戶的利益達(dá)到最大;(2)效用函數(shù)中的變量來(lái)自于論文屬性和用戶偏好的取值,將論文屬性和用戶偏好同時(shí)進(jìn)行量化,比以往單一的通過(guò)文章屬性建立的方法更靈活,也比單一通過(guò)用戶的偏好建立的方法更全面.通過(guò)實(shí)驗(yàn)對(duì)比利用該方法推薦的文章相對(duì)于其他方法準(zhǔn)確率平均提高了7.17%,召回率平均提高了4.55%,說(shuō)明該方法推薦的文章質(zhì)量是可以保證的.
[Abstract]:In recent years, personalized recommendation method has gradually become a hot topic in the field of recommendation system, and recommendation is one of the branches. However, there are still some problems in most of the recommended methods: firstly, most of these methods are based on collaborative filtering or content-based recommendations, and these methods can not meet the needs of users because of their preferences. They tend to represent the article by acquiring different attributes of the article, and there is a deviation in the understanding of the article itself. Secondly, there are some article recommendation methods that use search instead of recommendation. This method is based on the user's preference and does not consider the intrinsic attributes and connections of the article. The feedback data depends on the user to do a lot of judgment. All these provide challenges and opportunities for the study of recommended methods. The main focus of the article is the question of how likely existing articles are to become a user's choice. For recommended methods, the past articles are more through a number of article properties to obtain. Such as the research field, the author's name, the authoritativeness of the article, the time when the article was published, the number of references, and so on. It is not easy for users to accurately obtain the articles they want through this information.) what kind of recommendation method can better recommend the articles that users need. Because the user's preference is a rational and perceptual choice, the recommended method should not only consider the influence of the article itself, but also consider the degree and direction of the user's demand. By analyzing the relationship between users and articles, this paper proposes a personalized article recommendation method. This method is based on utility theory. In order to obtain utility function, the article attributes and user preferences are taken as the elements of utility function. This paper first analyzes the relationship between article attributes and user preferences, and then obtains the evaluation value of the article by optimizing utility function. Finally, by comparing the different evaluation values, the related articles are recommended to the user. In this way, the utility function can be used to obtain the user's desired article. The main contributions of this paper are as follows: (1) A combination model of paper attributes and user preferences is established, which is based on utility function. The goal is to maximize the user's interest) the variables in the utility function come from the values of the paper attribute and the user preference. The paper attribute and the user preference are quantified simultaneously, which is more flexible than the single method established by the article attribute in the past. It is also more comprehensive than a single approach based on user preferences. Compared with other methods, the article recommended by this method has an average accuracy of 7.17 and a recall rate of 4.55, which shows that the quality of the article recommended by this method can be guaranteed.
【作者單位】： 華中科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院;華中科技大學(xué)武漢光電國(guó)家實(shí)驗(yàn)室;華中科技大學(xué)信息存儲(chǔ)系統(tǒng)教育部重點(diǎn)實(shí)驗(yàn)室;
【基金】：國(guó)家“九七三”重點(diǎn)基礎(chǔ)研究發(fā)展規(guī)劃項(xiàng)目基金(2011CB302301) 深圳市科技研發(fā)基金(JCYJ20170307172447622)資助~~
【分類號(hào)】：TP391.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王漢;;B2C和C2C的融合與發(fā)展[J];經(jīng)濟(jì)論壇;2011年07期

2 ;電商推薦系統(tǒng)進(jìn)階[J];IT經(jīng)理世界;2013年11期

3 米可菲;張勇;邢春曉;蔚欣;;面向大數(shù)據(jù)的開(kāi)源推薦系統(tǒng)分析[J];計(jì)算機(jī)與數(shù)字工程;2013年10期

4 脫建勇;王嵩;李秀;劉文煌;;精品課共享中的推薦系統(tǒng)框架與實(shí)現(xiàn)[J];計(jì)算機(jī)工程與設(shè)計(jì);2006年17期

5 蘇冠賢;張麗霞;林丕源;劉吉平;;生物信息學(xué)推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J];計(jì)算機(jī)應(yīng)用研究;2007年05期

6 王改芬;;推薦系統(tǒng)研究綜述[J];軟件導(dǎo)刊;2007年23期

7 葉群來(lái);;營(yíng)銷與網(wǎng)絡(luò)推薦系統(tǒng)[J];電子商務(wù);2007年10期

8 李媚;;個(gè)性化網(wǎng)絡(luò)學(xué)習(xí)資源推薦系統(tǒng)研究[J];福建電腦;2008年12期

9 潘冉;姜麗紅;;基于經(jīng)濟(jì)學(xué)模型的推薦系統(tǒng)的研究[J];計(jì)算機(jī)應(yīng)用與軟件;2008年03期

10 劉魯;任曉麗;;推薦系統(tǒng)研究進(jìn)展及展望[J];信息系統(tǒng)學(xué)報(bào);2008年01期

相關(guān)會(huì)議論文 前1條

1 張燕;李燕萍;;基于內(nèi)容分析和點(diǎn)擊率記錄的混合音樂(lè)推薦系統(tǒng)[A];2009年通信理論與信號(hào)處理學(xué)術(shù)年會(huì)論文集[C];2009年

相關(guān)博士學(xué)位論文 前6條

1 周魏;推薦系統(tǒng)中基于目標(biāo)項(xiàng)目分析的托攻擊檢測(cè)研究[D];重慶大學(xué);2015年

2 田剛;融合維基知識(shí)的情境感知Web服務(wù)發(fā)現(xiàn)方法研究[D];武漢大學(xué);2015年

3 胡亮;集成多元信息的推薦系統(tǒng)建模方法的研究[D];上海交通大學(xué);2015年

4 孫麗梅;Web-based推薦系統(tǒng)中若干關(guān)鍵問(wèn)題研究[D];東北大學(xué);2013年

5 鄭麟;基于屬性提升與偏好集成的上下文感知推薦[D];武漢大學(xué);2017年

6 于鵬華;數(shù)據(jù)數(shù)量與質(zhì)量敏感的推薦系統(tǒng)若干問(wèn)題研究[D];浙江大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 朱孔真;基于云計(jì)算的電子商務(wù)智能推薦系統(tǒng)研究[D];武漢理工大學(xué);2014年

2 郭敬澤;基于賦權(quán)評(píng)分和Dpark的分布式推薦系統(tǒng)研究與實(shí)現(xiàn)[D];天津理工大學(xué);2015年

3 周俊宇;信息推薦系統(tǒng)的研究與設(shè)計(jì)[D];江南大學(xué);2015年

4 李煒;基于電子商務(wù)平臺(tái)的保險(xiǎn)推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];復(fù)旦大學(xué);2013年

5 車豐;基于排序主題模型的論文推薦系統(tǒng)[D];大連海事大學(xué);2015年

6 秦大路;基于因式分解機(jī)模型的上下文感知推薦系統(tǒng)研究[D];鄭州大學(xué);2015年

7 徐霞婷;動(dòng)態(tài)路網(wǎng)監(jiān)控與導(dǎo)航推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];蘇州大學(xué);2015年

8 黃學(xué)峰;基于Hadoop的電影推薦系統(tǒng)研究與實(shí)現(xiàn)[D];南京師范大學(xué);2015年

9 路小瑞;基于Hadoop平臺(tái)的職位推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];上海交通大學(xué);2015年

10 李愛(ài)寶;基于組合消費(fèi)行為分析的團(tuán)購(gòu)?fù)扑]系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];哈爾濱工業(yè)大學(xué);2015年

，

本文編號(hào)：1998311