傳統(tǒng)的推薦算法主要研究用戶和物品的二元關(guān)系,將符合用戶喜好的物品推薦給用戶,或是預(yù)測用戶對物品的興趣程度。這些算法忽略了用戶所處的上下文,而時間信息是最重要的上下文信息�；跁r間信息的用戶行為反映了用戶興趣變化的規(guī)律,添加用戶行為序列能有效提高推薦的效果。本文基于時間動態(tài)特性,研究時變對推薦算法的影響,主要工作內(nèi)容如下。1.研究了推薦系統(tǒng)中用戶短期興趣隨時間衰退的特性和用戶周期行為的時間效應(yīng)。在推薦系統(tǒng)中,時間動態(tài)地影響用戶興趣和物品生命周期,用戶行為和物品消費(fèi)隨時間持續(xù)變化。同時,時間也具有周期特性,周末、節(jié)假日、不同季節(jié)等因素極大地影響著用戶的行為需求。將時間信息建模成連續(xù)時間感知方式和分類時間感知方式,以研究時間動態(tài)特性對推薦算法的影響。2.在基于鄰域的推薦算法中,考慮用戶短期興趣隨時間衰退的特性,提出一種融合時間信息的鄰域推薦方法。采用連續(xù)時間感知方式,將時間作為一個連續(xù)量,體現(xiàn)用戶興趣持續(xù)性的變化。引入牛頓冷卻公式作為時間衰減函數(shù),以強(qiáng)化用戶近期興趣,弱化遠(yuǎn)期興趣,描述用戶興趣隨時間變化的過程。引入JacUOD計算方法,度量用戶相似度,從而統(tǒng)一不同多維向量空間中向量的相似度比... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【部分圖文】：

不同用戶在MovieLens數(shù)據(jù)集上平均評分變化

圖3.2 不同用戶在 Netflix 數(shù)據(jù)集上平均評分變化 3.1 和 3.2 分別是 MovieLens 和 Netflix 數(shù)據(jù)集中三名不同用戶對不同電隨時間變化的趨勢圖。為保護(hù)用戶隱私，方便算法分析處理，數(shù)據(jù)集中以匿名方式標(biāo)識，并給出相應(yīng)的用戶 id，例如 user1142 表示用戶 1142圖中可以發(fā)現(xiàn)，隨著時間的變化，用戶的評分也相應(yīng)發(fā)生變化，并且不

第三章 融合時間信息的 TopN 鄰域推薦21圖3.3 用戶在不同數(shù)據(jù)集上評分標(biāo)準(zhǔn)差的分布情況圖 3.3 分別是 MovieLens 和 Netflix 數(shù)據(jù)集中部分用戶的評分標(biāo)準(zhǔn)差分布。通過計算可得，這些用戶在不同數(shù)據(jù)集上的標(biāo)準(zhǔn)差均值為 0.364 和 0.564。說明用戶的評分并非根據(jù)系統(tǒng)評分區(qū)間進(jìn)行分布。從圖中可以發(fā)現(xiàn)，絕大多數(shù)用戶評分的標(biāo)準(zhǔn)差集中在 0.2 到 0.6 之間，說明大多數(shù)用戶不會明確表現(xiàn)對物品的喜好程度，其行為興趣往往基于某個基準(zhǔn)上下波動。進(jìn)一步證明了用戶興趣的成型。3.1.2 物品評價變化通過上述分析，能夠看到用戶興趣隨時間而變化。同樣，分析數(shù)據(jù)集可以得到時間動態(tài)變化對物品流行的影響。圖3.4 不同物品在 MovieLens 數(shù)據(jù)集上平

【參考文獻(xiàn)】：
期刊論文
[1]推薦系統(tǒng)評價指標(biāo)綜述[J]. 朱郁筱,呂琳媛.  電子科技大學(xué)學(xué)報. 2012(02)
[2]一種結(jié)合詞項語義信息和TF-IDF方法的文本相似度量方法[J]. 黃承慧,印鑒,侯昉.  計算機(jī)學(xué)報. 2011(05)
[3]協(xié)同過濾中基于用戶興趣度的相似性度量方法[J]. 嵇曉聲,劉宴兵,羅來明.  計算機(jī)應(yīng)用. 2010(10)
[4]個性化推薦系統(tǒng)評價方法綜述[J]. 劉建國,周濤,郭強(qiáng),汪秉宏.  復(fù)雜系統(tǒng)與復(fù)雜性科學(xué). 2009(03)
[5]基于項目評分預(yù)測的協(xié)同過濾推薦算法[J]. 鄧愛林,朱揚(yáng)勇,施伯樂.  軟件學(xué)報. 2003(09)



本文編號：3268313