本文關(guān)鍵詞：基于本體和知識(shí)規(guī)則的混合推薦研究

  更多相關(guān)文章： 基于內(nèi)容推薦 協(xié)同過(guò)濾 混合推薦 本體 推薦系統(tǒng)

【摘要】：網(wǎng)絡(luò)資源中的信息量隨著網(wǎng)絡(luò)技術(shù)的發(fā)展也在急劇增加,用戶面對(duì)浩渺的信息如何尋找到自己感興趣的項(xiàng)目變成了負(fù)擔(dān)。用戶興趣的差異是不一樣的,但大多數(shù)目前的網(wǎng)絡(luò)應(yīng)用程序都提供的是相同的信息,因而不能滿足用戶的個(gè)性化需求。搜索引擎的出現(xiàn)可以使用戶使用關(guān)鍵詞查詢自己感興趣的項(xiàng)目,然而它的服務(wù)卻是被動(dòng)的,并且系統(tǒng)返回的結(jié)果也不一定能滿足用戶興趣的需求。個(gè)性化推薦系統(tǒng)的誕生緩解了這一問(wèn)題,個(gè)性化推薦系統(tǒng)能夠自動(dòng)的為用戶發(fā)現(xiàn)興趣,并推薦用戶感興趣的項(xiàng)目,因而成為了一種新的服務(wù)方式。 通常,為了構(gòu)建一個(gè)推薦系統(tǒng),一般都會(huì)考慮使用兩種最常見的推薦方法(或算法)：基于內(nèi)容過(guò)濾方法和協(xié)同過(guò)濾方法。然而,這兩種推薦方法都有各自的技術(shù)缺點(diǎn)。特征提取和特征表達(dá)是基于內(nèi)容過(guò)濾方法的困難之處,同時(shí)其也難以處理對(duì)用戶興趣趨向的預(yù)測(cè)。協(xié)同過(guò)濾方法則需要面臨冷啟動(dòng)問(wèn)題和矩陣稀疏性問(wèn)題。因此,推薦算法仍有很多改進(jìn)的地方。此外,傳統(tǒng)的推薦算法和系統(tǒng)所使用的項(xiàng)目和用戶數(shù)據(jù)模型非常的簡(jiǎn)單,其單純的使用評(píng)分和關(guān)鍵詞來(lái)代表用戶興趣和項(xiàng)目?jī)?nèi)容。推薦過(guò)程中使用的相似度計(jì)算公式不能考慮到項(xiàng)目特征和用戶興趣間更深層次的語(yǔ)義關(guān)系,因也推薦系統(tǒng)的精確度很低。最后傳統(tǒng)的推薦系統(tǒng)所使用的用戶興趣模型的更新方法也很簡(jiǎn)單,造成用戶興趣不精準(zhǔn)和推薦系統(tǒng)反映不靈敏等問(wèn)題。 本文的所有工作都是為了解決傳統(tǒng)推薦算法的不足和提高推薦系統(tǒng)的推薦質(zhì)量,本文采用本體這一新工具用于改良傳統(tǒng)的推薦算法。首先本文將本體用于構(gòu)建電影領(lǐng)域的用戶模型和項(xiàng)目模型,使得表達(dá)用戶興趣和項(xiàng)目?jī)?nèi)容的關(guān)鍵詞在一個(gè)領(lǐng)域本體中,并使各種推薦算法都能使用相同的數(shù)據(jù)模型。然后,本文構(gòu)造能夠通過(guò)分析用戶行為數(shù)據(jù)估算出用戶對(duì)視頻喜好程度的“喜好估算函數(shù)”。喜好估值函數(shù)一方面可以代替用戶評(píng)分用于減少傳統(tǒng)協(xié)同過(guò)濾算法的矩陣稀疏性,另一方面又可以為用戶興趣模型的自動(dòng)更新服務(wù)。本文還研究制定一套又快又精準(zhǔn)的用戶興趣更新方法,新的更新方法可以又快有精準(zhǔn)的分析出用戶的新興趣。另外,文本還構(gòu)建了用于電影領(lǐng)域推薦的基于本體的相似度計(jì)算公式,使得系統(tǒng)在計(jì)算相似度時(shí)能將關(guān)鍵詞之間語(yǔ)義層面的關(guān)系涵蓋進(jìn)來(lái)。在這些基礎(chǔ)之上,本文提出了多種基于本體的推薦算法。在用戶興趣更新算法和推薦算法中,本文將時(shí)間因數(shù)考慮進(jìn)來(lái),使得系統(tǒng)能很快的將用戶新興趣展示到推薦結(jié)果當(dāng)中。本文還引入了知識(shí)規(guī)則,知識(shí)規(guī)則的應(yīng)用使得推薦系統(tǒng)更加完備和智能,也使得推薦的結(jié)果更加人性化。
【關(guān)鍵詞】：基于內(nèi)容推薦 協(xié)同過(guò)濾 混合推薦 本體 推薦系統(tǒng)
【學(xué)位授予單位】：浙江師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TP391.1
【目錄】：

• 摘要3-5
• ABSTRACT5-7
• 目錄7-9
• 1 緒論9-15
• 1.1 研究背景9-10
• 1.2 研究現(xiàn)狀10-11
• 1.3 研究意義11-13
• 1.4 主要內(nèi)容13-15
• 2 主要的推薦算法分析15-19
• 2.1 協(xié)同過(guò)濾15-16
• 2.2 內(nèi)容過(guò)濾16-17
• 2.3 其他推薦算法17-18
• 2.4 本章小結(jié)18-19
• 3 本體與模型19-29
• 3.1 本體分析19-21
• 3.1.1 本體的定義19-20
• 3.1.2 本體索引機(jī)制20-21
• 3.2 本體模型21-27
• 3.2.3 電影領(lǐng)域本體和項(xiàng)目模型22-24
• 3.2.4 用戶領(lǐng)域本體和用戶模型24-27
• 3.3 本章小結(jié)27-29
• 4 用戶模型的自動(dòng)更新29-35
• 4.1 喜好的估算30
• 4.2 語(yǔ)義概念與度量值30-31
• 4.3 興趣的更新31-34
• 4.4 興趣的修正34
• 4.5 本章小結(jié)34-35
• 5 基于本體和知識(shí)規(guī)則的推薦算法35-53
• 5.1 相似度計(jì)算公式35-42
• 5.1.1 傳統(tǒng)相似度計(jì)算公式35-36
• 5.1.2 多重匹配公式36-38
• 5.1.3 語(yǔ)義概念節(jié)點(diǎn)的相似度計(jì)算38-39
• 5.1.4 基于本體的相似度計(jì)算39-42
• 5.2 基于本體的推薦算法42-45
• 5.2.1 基于本體的協(xié)同過(guò)濾推薦42-45
• 5.2.2 基于本體的內(nèi)容過(guò)濾推薦45
• 5.3 知識(shí)規(guī)則與推薦45-48
• 5.3.1 《影視接受心理》知識(shí)46
• 5.3.2 知識(shí)規(guī)則的構(gòu)建46-47
• 5.3.3 規(guī)則的分類與運(yùn)用47-48
• 5.4 電影推薦系統(tǒng)原型設(shè)計(jì)48-51
• 5.4.1 推薦系統(tǒng)架構(gòu)設(shè)計(jì)48-49
• 5.4.2 推薦進(jìn)程設(shè)計(jì)49-51
• 5.5 本章小結(jié)51-53
• 6 總結(jié)與展望53-55
• 6.1 本文總結(jié)53-54
• 6.2 本文展望54-55
• 參考文獻(xiàn)55-60
• 攻讀學(xué)位期間取得的研究成果60-61
• 致謝61-63

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前3條

1 吳兵;葉春明;;基于效用的個(gè)性化推薦方法[J];計(jì)算機(jī)工程;2012年04期

2 王立才;孟祥武;張玉潔;;上下文感知推薦系統(tǒng)[J];軟件學(xué)報(bào);2012年01期

3 劉建國(guó);周濤;汪秉宏;;個(gè)性化推薦系統(tǒng)的研究進(jìn)展[J];自然科學(xué)進(jìn)展;2009年01期

，

本文編號(hào)：914978