基于上下文的信息推薦系統(tǒng)研究.pdf

1、隨著大數(shù)據(jù)時(shí)代的到來(lái)，“信息過(guò)載”問題愈發(fā)嚴(yán)重，為了解決信息提供者與信息使用者需求良好匹配的問題，互聯(lián)網(wǎng)智能化產(chǎn)品—推薦系統(tǒng)應(yīng)運(yùn)而生。
　　本文基于上下文的信息推薦系統(tǒng)（Context-Aware Recommender System,CARS）研究是以傳統(tǒng)推薦系統(tǒng)為基礎(chǔ)，是它的拓展與延伸。文中給出的基于情感上下文因素的信息推薦模型分別通過(guò)語(yǔ)義差分法制定態(tài)度量表和挖掘信息產(chǎn)品文本評(píng)論兩種常見方式提取用戶情感偏好，并在此基礎(chǔ)上將用戶

2、情感因素融入到推薦模型中，使得推薦系統(tǒng)帶來(lái)更高的精確度和更好的用戶滿意度。主要研究工作如下：
　　1.基于用戶感性語(yǔ)義上下文信息推薦方法研究。針對(duì)新產(chǎn)品推薦過(guò)程中的評(píng)價(jià)匹配問題，給出了一種面向用戶特殊需求偏好的感性推薦方法。首先通過(guò)語(yǔ)義差分法和語(yǔ)義變量設(shè)計(jì)問卷獲得待估新信息產(chǎn)品的感性信息數(shù)據(jù)以及在用戶不同偏好關(guān)系下的感性目標(biāo)可能性分布；然后提出了以用戶感性需求為導(dǎo)向的推薦效用函數(shù)，并運(yùn)用混合加權(quán)平均算子對(duì)各方案匹配信息集結(jié)計(jì)算；最

3、后，依據(jù)效用函數(shù)值大小對(duì)各方案進(jìn)行排序。尤其針對(duì)用戶特殊需求給定時(shí)，該模型效用函數(shù)可以計(jì)算出新產(chǎn)品與用戶特殊偏好的匹配程度。并將其應(yīng)用于智能家電產(chǎn)品方案的推薦優(yōu)選中，實(shí)例計(jì)算表明，本研究給出的方法具有可行性和實(shí)用性。
　　2.用戶情境感知的上下文信息推薦系統(tǒng)研究。探索從文本評(píng)論信息中挖掘用戶情境/情緒上下文信息，并用于上下文推薦模型產(chǎn)生更好的系統(tǒng)推薦結(jié)果。首先通過(guò)對(duì)用戶需求描述中上下文的挖掘，確定用戶當(dāng)前的上下文。其中上下文推理部

4、分是針對(duì)京東爬取的書籍評(píng)論數(shù)據(jù)集采用Gibbs抽樣訓(xùn)練L-LDA模型得到一個(gè)分類器，選取被分配最高主題概率的類別作為需求描述中用戶當(dāng)前的上下文。同時(shí)，運(yùn)用k-近鄰算法/協(xié)同過(guò)濾算法預(yù)測(cè)用戶最適合的物品項(xiàng)i，得到傳統(tǒng)評(píng)分預(yù)測(cè)值。當(dāng)給定用戶上下文時(shí)，計(jì)算用戶和物品的匹配度，選擇最符合用戶當(dāng)前上下文的物品項(xiàng)。結(jié)合傳統(tǒng)預(yù)測(cè)評(píng)分值加權(quán)融入上下文狀態(tài)匹配度根據(jù)這兩部分結(jié)果計(jì)算得到效用值，根據(jù)值大小對(duì)各物品項(xiàng)進(jìn)行排序，得到最優(yōu)推