隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展,網(wǎng)絡(luò)數(shù)據(jù)的種類(lèi)和覆蓋量也呈現(xiàn)出海量增長(zhǎng)的趨勢(shì),各種資源的流通數(shù)據(jù)日益龐大。同時(shí)用戶(hù)的需求也越來(lái)越多樣化和個(gè)性化,許多用戶(hù)花費(fèi)大量的時(shí)間和精力用于搜尋資源,卻往往得不到他們想要的結(jié)果。這就造成了資源的浪費(fèi)并影響了用戶(hù)的學(xué)習(xí)生活體驗(yàn)。為了解決大量信息的冗余以及需求的不確定性帶來(lái)的問(wèn)題,本文提出了基于情境感知和社交網(wǎng)絡(luò)的資源推薦模型。目前廣泛應(yīng)用的推薦技術(shù)是協(xié)同過(guò)濾算法,但是傳統(tǒng)的協(xié)同過(guò)濾算法只考慮用戶(hù)對(duì)項(xiàng)目的歷史行為記錄,根據(jù)評(píng)分的相似性進(jìn)行推薦,與物品的內(nèi)容、用戶(hù)的自身變化、外部環(huán)境的改變等方面并沒(méi)有聯(lián)系起來(lái)。雖然在電子商務(wù)領(lǐng)域取得了巨大成功,但由于忽略了用戶(hù)的一些特有屬性、資源之間的關(guān)聯(lián)、用戶(hù)之間關(guān)系等特性,因此它并不適合于各個(gè)領(lǐng)域資源的推薦,需要加以改進(jìn)。本文在介紹傳統(tǒng)協(xié)同過(guò)濾的相關(guān)理論及其優(yōu)缺點(diǎn)后,首先提出了基于情境感知的協(xié)同過(guò)濾算法,使用情境熵和情境權(quán)重代表不同情境因素對(duì)資源預(yù)測(cè)評(píng)分所占比重。接著,考慮到用戶(hù)周?chē)缃痪W(wǎng)絡(luò)對(duì)用戶(hù)選擇的影響,如果是好友推薦的項(xiàng)目,則用戶(hù)將會(huì)更相信推薦結(jié)果,而且與好友親密度越高,則用戶(hù)接受的程度可能會(huì)更高,因此將鄰域推薦與傳統(tǒng)... 

【文章來(lái)源】：華中師范大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：54 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．２情境要素分類(lèi)??而情境感知?jiǎng)t是對(duì)普適計(jì)算環(huán)境中的上下文參數(shù)進(jìn)行感知、獲取、處理和反??

?１９?１，?１，?…?１??用戶(hù)＼＿＿２?３?４???Ｕｊ?２?３?５?？?．．．?４??Ｕ２?３?２?１?１?．．．?？??Ｕ３?３?２?３?４?．．．?１??Ｕｎ?２?３?？?４?…３??２．用戶(hù)相似性計(jì)算。推薦系統(tǒng)中最常用的是Ｐｅａｒｓｏｎ相關(guān)系數(shù)。用Ｕ代表用??，Ｐ代表物品集，用ｒ代表評(píng)分項(xiàng)＼．的ｎ＊ｍ評(píng)分矩陣，＾和＾分別代表用戶(hù)??ｂ的平均評(píng)分，則計(jì)算用戶(hù)ａ和ｂ的相似度的公式為：??腿（價(jià)；＿?（２．１）??＾＾ｈｐｅＰ?＾＾ｊｐｅｐ?＾Ｖｂ，ｐ?￣＾ｂ）??相似度值越大，則表示該用戶(hù)與目標(biāo)用戶(hù)越相近。如圖２．２所示??Ａ??Ｑ

可通過(guò)以下公式計(jì)算用戶(hù)ａ對(duì)物品ｐ的預(yù)測(cè)值：??ｐｒｅｄ（．，料（２．２）??其中，ｐｒｅｄ〇，ｊ９）表示用戶(hù)ａ對(duì)項(xiàng)目ｐ的預(yù)測(cè)評(píng)分，乙表示用戶(hù)ａ對(duì)自己已??評(píng)分項(xiàng)目的所有評(píng)分的平均值，表示用戶(hù)ａ和ｂ之間的相似度，??表示鄰居用戶(hù)ｂ對(duì)項(xiàng)目ｐ的評(píng)分減去自己所有項(xiàng)目評(píng)分的平均值。計(jì)算出所有的??預(yù)測(cè)評(píng)分后，則將評(píng)分最高的Ｎ個(gè)項(xiàng)目推薦給當(dāng)前用戶(hù)。??在實(shí)際應(yīng)用中，當(dāng)評(píng)分?jǐn)?shù)據(jù)集非常大時(shí)，基于用戶(hù)的協(xié)同過(guò)濾計(jì)算常常會(huì)很??復(fù)雜。有的文章研究表明，當(dāng)評(píng)分物品少于５０個(gè)時(shí)，預(yù)測(cè)準(zhǔn)確度的提升會(huì)十分??顯著０】。因此，基于用戶(hù)的協(xié)同過(guò)濾推薦適用于數(shù)據(jù)量較小的場(chǎng)景中。??２．１．２基于項(xiàng)目的協(xié)同過(guò)濾??隨著用戶(hù)和商品的數(shù)據(jù)量的增加，基于用戶(hù)的協(xié)同過(guò)濾面臨復(fù)雜的計(jì)算，由??此Ｓａｒｗａｒ等人提出了基于項(xiàng)目的協(xié)同過(guò)濾［３叱其主要思想是利用物品間相似度，??如在某些網(wǎng)上商城，當(dāng)用戶(hù)瀏覽某種商品時(shí)，系統(tǒng)會(huì)推薦一些與該物品相似的產(chǎn)??品，如圖２．３所不。??

【參考文獻(xiàn)】：
期刊論文
[1]基于協(xié)同過(guò)濾算法的視頻智能推薦系統(tǒng)[J]. 王嘉菲,朱志鋒.  湖北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[2]基于多模態(tài)的音樂(lè)推薦系統(tǒng)[J]. 龔志,邵曦.  南京信息工程大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(01)
[3]評(píng)價(jià)信息的位置社交網(wǎng)絡(luò)興趣點(diǎn)推薦模型[J]. 林占國(guó).  電子技術(shù)與軟件工程. 2018(19)
[4]智能推薦系統(tǒng)研究綜述[J]. 陳彬,張榮梅.  河北省科學(xué)院學(xué)報(bào). 2018(03)
[5]一種基于社交網(wǎng)絡(luò)友情度的個(gè)性化推薦算法[J]. 董輝,盛魁,張繼美.  武漢工程大學(xué)學(xué)報(bào). 2018(04)
[6]融合社交網(wǎng)絡(luò)與關(guān)鍵用戶(hù)的并行協(xié)同過(guò)濾推薦算法[J]. 肖成龍,王寧,王永貴.  計(jì)算機(jī)應(yīng)用研究. 2019(10)
[7]基于社會(huì)信任和隱式項(xiàng)目的協(xié)同過(guò)濾推薦算法的研究[J]. 朱愛(ài)云,任曉軍.  現(xiàn)代計(jì)算機(jī)(專(zhuān)業(yè)版). 2018(05)
[8]基于用戶(hù)行為特征的移動(dòng)社交網(wǎng)絡(luò)分析與應(yīng)用[J]. 薛飛.  移動(dòng)通信. 2017(23)
[9]基于邊界矩陣低階近似和近鄰模型的協(xié)同過(guò)濾算法[J]. 溫占考,易秀雙,田申申,李婕,王興偉.  計(jì)算機(jī)應(yīng)用. 2017(12)
[10]利用用戶(hù)不偏好項(xiàng)目屬性提高項(xiàng)目協(xié)同過(guò)濾算法效率和精度[J]. 文詩(shī)琪,王成,蘇芳芳,劉技峰,陳葉旺,鄭國(guó)旗.  小型微型計(jì)算機(jī)系統(tǒng). 2017(08)

碩士論文
[1]基于情境上下文和社交網(wǎng)絡(luò)的個(gè)性化推薦方法研究[D]. 李強(qiáng).西南交通大學(xué) 2016
[2]基于GPU的圖書(shū)推薦系統(tǒng)研究與實(shí)現(xiàn)[D]. 李瑞峰.浙江大學(xué) 2012



本文編號(hào)：3565451