隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展,網(wǎng)絡(luò)數(shù)據(jù)的種類和覆蓋量也呈現(xiàn)出海量增長的趨勢,各種資源的流通數(shù)據(jù)日益龐大。同時用戶的需求也越來越多樣化和個性化,許多用戶花費大量的時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并影響了用戶的學(xué)習(xí)生活體驗。為了解決大量信息的冗余以及需求的不確定性帶來的問題,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)同過濾算法,但是傳統(tǒng)的協(xié)同過濾算法只考慮用戶對項目的歷史行為記錄,根據(jù)評分的相似性進行推薦,與物品的內(nèi)容、用戶的自身變化、外部環(huán)境的改變等方面并沒有聯(lián)系起來。雖然在電子商務(wù)領(lǐng)域取得了巨大成功,但由于忽略了用戶的一些特有屬性、資源之間的關(guān)聯(lián)、用戶之間關(guān)系等特性,因此它并不適合于各個領(lǐng)域資源的推薦,需要加以改進。本文在介紹傳統(tǒng)協(xié)同過濾的相關(guān)理論及其優(yōu)缺點后,首先提出了基于情境感知的協(xié)同過濾算法,使用情境熵和情境權(quán)重代表不同情境因素對資源預(yù)測評分所占比重。接著,考慮到用戶周圍社交網(wǎng)絡(luò)對用戶選擇的影響,如果是好友推薦的項目,則用戶將會更相信推薦結(jié)果,而且與好友親密度越高,則用戶接受的程度可能會更高,因此將鄰域推薦與傳統(tǒng)... 

【文章來源】：華中師范大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：54 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１．２情境要素分類??而情境感知則是對普適計算環(huán)境中的上下文參數(shù)進行感知、獲取、處理和反??

?１９?１，?１，?…?１??用戶＼＿＿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．用戶相似性計算。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代表評分項＼．的ｎ＊ｍ評分矩陣，＾和＾分別代表用戶??ｂ的平均評分，則計算用戶ａ和ｂ的相似度的公式為：??腿（價；＿?（２．１）??＾＾ｈｐｅＰ?＾＾ｊｐｅｐ?＾Ｖｂ，ｐ?￣＾ｂ）??相似度值越大，則表示該用戶與目標用戶越相近。如圖２．２所示??Ａ??Ｑ

可通過以下公式計算用戶ａ對物品ｐ的預(yù)測值：??ｐｒｅｄ（．，料（２．２）??其中，ｐｒｅｄ〇，ｊ９）表示用戶ａ對項目ｐ的預(yù)測評分，乙表示用戶ａ對自己已??評分項目的所有評分的平均值，表示用戶ａ和ｂ之間的相似度，??表示鄰居用戶ｂ對項目ｐ的評分減去自己所有項目評分的平均值。計算出所有的??預(yù)測評分后，則將評分最高的Ｎ個項目推薦給當(dāng)前用戶。??在實際應(yīng)用中，當(dāng)評分數(shù)據(jù)集非常大時，基于用戶的協(xié)同過濾計算常常會很??復(fù)雜。有的文章研究表明，當(dāng)評分物品少于５０個時，預(yù)測準確度的提升會十分??顯著０】。因此，基于用戶的協(xié)同過濾推薦適用于數(shù)據(jù)量較小的場景中。??２．１．２基于項目的協(xié)同過濾??隨著用戶和商品的數(shù)據(jù)量的增加，基于用戶的協(xié)同過濾面臨復(fù)雜的計算，由??此Ｓａｒｗａｒ等人提出了基于項目的協(xié)同過濾［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)用戶瀏覽某種商品時，系統(tǒng)會推薦一些與該物品相似的產(chǎn)??品，如圖２．３所不。??

【參考文獻】：
期刊論文
[1]基于協(xié)同過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(自然科學(xué)版). 2019(02)
[2]基于多模態(tài)的音樂推薦系統(tǒng)[J]. 龔志,邵曦.  南京信息工程大學(xué)學(xué)報(自然科學(xué)版). 2019(01)
[3]評價信息的位置社交網(wǎng)絡(luò)興趣點推薦模型[J]. 林占國.  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. 2018(03)
[5]一種基于社交網(wǎng)絡(luò)友情度的個性化推薦算法[J]. 董輝,盛魁,張繼美.  武漢工程大學(xué)學(xué)報. 2018(04)
[6]融合社交網(wǎng)絡(luò)與關(guān)鍵用戶的并行協(xié)同過濾推薦算法[J]. 肖成龍,王寧,王永貴.  計算機應(yīng)用研究. 2019(10)
[7]基于社會信任和隱式項目的協(xié)同過濾推薦算法的研究[J]. 朱愛云,任曉軍.  現(xiàn)代計算機(專業(yè)版). 2018(05)
[8]基于用戶行為特征的移動社交網(wǎng)絡(luò)分析與應(yīng)用[J]. 薛飛.  移動通信. 2017(23)
[9]基于邊界矩陣低階近似和近鄰模型的協(xié)同過濾算法[J]. 溫占考,易秀雙,田申申,李婕,王興偉.  計算機應(yīng)用. 2017(12)
[10]利用用戶不偏好項目屬性提高項目協(xié)同過濾算法效率和精度[J]. 文詩琪,王成,蘇芳芳,劉技峰,陳葉旺,鄭國旗.  小型微型計算機系統(tǒng). 2017(08)

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



本文編號：3565451