基于本體的影視推薦算法研究.pdf

1、考慮到我國居民的精神文化需求及電影領(lǐng)域的高速發(fā)展，為了使影視用戶行為由“一搜即得”向“不搜即得”轉(zhuǎn)變，個性化推薦技術(shù)被應(yīng)用到影視領(lǐng)域。然而，傳統(tǒng)的個性化推薦算法存在忽視項目間語義關(guān)聯(lián)、忽略用戶喜好隨時間變化以及冷啟動、用戶-評分矩陣稀疏等問題。為了解決以上問題，獲得較低的平均絕對偏差，從而提高推薦算法的精度，本文在傳統(tǒng)的個性化推薦算法中引入了本體技術(shù)。本文的主要工作和創(chuàng)新體現(xiàn)在:
　　第一，影視領(lǐng)域本體及基于本體的用戶模型的構(gòu)建。

2、本文在“七步法”本體構(gòu)建方法的基礎(chǔ)上引入了迭代開發(fā)模型思想，得出了基于迭代開發(fā)模型的本體構(gòu)建方法，并利用現(xiàn)有的本體建模工具，構(gòu)建了影視本體來適應(yīng)推薦算法。然后，將用戶信息添加到已構(gòu)建好的影視本體的部分節(jié)點上，得到基于本體的用戶模型。
　　第二，新用戶存在冷啟動問題，針對這一問題，利用用戶背景相似性來改進K-Means算法，并用其對用戶聚類。在解決冷啟動問題的同時縮小了目標用戶最近鄰的搜索范圍
　　第三，根據(jù)影視用戶的遺忘特點

3、，對遺忘函數(shù)進行指數(shù)函數(shù)擬合來改進傳統(tǒng)艾賓浩斯遺忘函數(shù)，并用其修正用戶-評分矩陣，突出了用戶近期評分在推薦過程中的作用，進一步精確了推薦結(jié)果。
　　第四，基于本體的推薦算法的提出。本文提出了兩種基于本體的影視推薦算法:算法1針對用戶-評分矩陣的稀疏性，基于項目語義相似性對矩陣填充，然后，用傳統(tǒng)的用戶相似度計算公式，在修正的用戶-評分矩陣上尋找用戶最近鄰集合，并產(chǎn)生推薦;算法2在尋找用戶最近鄰集合時，引入用戶語義相似度這一概念，改進