發(fā)布時(shí)間：2021-09-04 00:23

　　近年來,科技的不斷進(jìn)步和移動(dòng)智能設(shè)備的快速普及,極大地滿足了人們在生產(chǎn)和生活方面的需求。但與此同時(shí),人們也面臨著越來越嚴(yán)重的信息過載問題。個(gè)性化推薦技術(shù)被認(rèn)為是緩解這一問題的有效方法之一,并且已經(jīng)在諸多領(lǐng)域得到了廣泛的應(yīng)用。通過分析用戶歷史數(shù)據(jù),構(gòu)建用戶偏好模型,個(gè)性化推薦系統(tǒng)可以主動(dòng)地向用戶推薦最感興趣的內(nèi)容。目前,移動(dòng)網(wǎng)絡(luò)服務(wù)已經(jīng)融入到人們生活的每一個(gè)角落,我們在習(xí)慣使用各種移動(dòng)設(shè)備記錄生活的點(diǎn)點(diǎn)滴滴的同時(shí),也產(chǎn)生了大量帶有時(shí)空屬性的情景數(shù)據(jù)。這些情景數(shù)據(jù)具有來源廣泛、數(shù)據(jù)規(guī)模大、蘊(yùn)含信息豐富等特點(diǎn)。然而,傳統(tǒng)的推薦技術(shù)只注重挖掘用戶行為信息,往往忽略了用戶現(xiàn)實(shí)世界的情景信息,因此在移動(dòng)環(huán)境下無法提供更加精準(zhǔn)的推薦服務(wù)。鑒于上述問題,本文主要對(duì)推薦系統(tǒng)中情境因素進(jìn)行了深入的研究。考慮到傳統(tǒng)二維推薦算法User-Based CF的不足,本文充分利用情景與用戶行為信息,提出了兩種改進(jìn)的個(gè)性化推薦算法,并設(shè)計(jì)和實(shí)現(xiàn)了一個(gè)消息推送原型系統(tǒng)。本文主要包含以下四個(gè)部分:（1）通過引入兩種處理情景信息的方法,本文結(jié)合情景預(yù)過濾的思想和改進(jìn)的Pearson相關(guān)系數(shù),提出了一種基于情景上下文的個(gè)性化... 

【文章來源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：80 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

推薦系統(tǒng)組成

圖 1-1 推薦系統(tǒng)組成統(tǒng)有多種劃分方式，如圖 1-2 所示，從應(yīng)用角度可劃分為電影推薦、興趣點(diǎn)推薦等；從理論角度可劃分為基于內(nèi)容推薦、協(xié)同過、基于知識(shí)推薦以及混合推薦等[7]。其中，混合推薦算法就是將地融合，從而獲得更好的推薦效果[8]。常用的結(jié)合方式為：加權(quán)合和層疊等。

第二章 關(guān)鍵技術(shù)研究相似，那么就認(rèn)為這兩個(gè)用戶有相似的興趣和偏好。然后再根據(jù)相似用戶預(yù)測目標(biāo)對(duì)未評(píng)分項(xiàng)目的喜好程度，最后選擇評(píng)分最高的項(xiàng)目進(jìn)行推薦。類似地，后者算法擇最近鄰和預(yù)測評(píng)分時(shí)使用的是項(xiàng)目間的相似性，而不是用戶間的相似性�？傊�，種方法都屬于“基于內(nèi)存的協(xié)同過濾推薦算法（Memory-Based CF，或稱為基于最的協(xié)同過濾推薦算法）”。另外還有“基于模型的協(xié)同過濾推薦算法（Model-Based C圖 2-1 所示。比較有代表性的如采用聚類、關(guān)聯(lián)規(guī)則、貝葉斯網(wǎng)絡(luò)、矩陣分解等方數(shù)據(jù)集進(jìn)行訓(xùn)練并推薦[7]。


本文編號(hào)：3382169