基于時間上下文的動態(tài)推薦系統(tǒng)研究與應用.pdf

1、推薦系統(tǒng)作為解決信息過載的重要手段之一，已經(jīng)引起了廣泛的科學研究和商業(yè)應用。早期的推薦系統(tǒng)研究主要是從用戶和物品之間的關(guān)系出發(fā)，研究員通過分析用戶評價數(shù)據(jù)和歷史記錄來預測用戶對物品的喜愛程度，而忽略了時間信息對推薦系統(tǒng)推薦效果的影響。實際上用戶的喜好和物品種類都是隨時間變化而變化，時間信息的變化對推薦系統(tǒng)結(jié)果有很重要的影響，現(xiàn)在越來越多的研究員們開始了結(jié)合時間信息的動態(tài)推薦系統(tǒng)的研究工作。
　　因此本文在現(xiàn)有多數(shù)推薦系統(tǒng)沒有考慮時

2、間因素在內(nèi)使得系統(tǒng)推薦質(zhì)量不高的情況下，對梯度下降的矩陣分解(Reserved Singular Value Decomposition，簡稱RSVD)算法進行了研究和改進。本文在實驗MovieLens數(shù)據(jù)集中加入了和時間上下文相關(guān)的用戶偏置和物品偏置信息，同時結(jié)合用戶特征信息和物品特征信息提出了一種基于時間上下文的動態(tài)改進FeatureTRSVD算法。并且通過實驗驗證，該動態(tài)推薦系統(tǒng)算法對推薦質(zhì)量和效率有了顯著提升。本文工作主要有如下

3、幾個方面:
　　第一，本文介紹了傳統(tǒng)推薦系統(tǒng)的概述，并且對動態(tài)推薦系統(tǒng)的定義作了簡要說明。另外本文詳細介紹了幾種傳統(tǒng)協(xié)同過濾推薦算法，并指出了現(xiàn)有推薦算法存在的問題，傳統(tǒng)推薦相似度計算和推薦質(zhì)量評估的標準。本文也對時間上下文做了介紹，為本文的研究工作鋪設(shè)了理論基礎(chǔ)。
　　第二，本文以梯度下降的矩陣分解(RSVD)算法為基礎(chǔ)進行研究和改進，對實驗數(shù)據(jù)集加入了和時間上下文相關(guān)的用戶和物品偏置因子，再融合用戶和物品的特征信息，提出

4、了基于時間上下文的動態(tài)改進FeatureTRSVD算法。
　　第三，本文采用含有時間信息的數(shù)據(jù)集在Mahout平臺進行相關(guān)實驗，實驗結(jié)果表明，本文提出的動態(tài)的改進FeatureTRSVD算法與傳統(tǒng)的時間無關(guān)的靜態(tài)協(xié)同推薦算法進行對比，它有效提高了系統(tǒng)的推薦質(zhì)量，同時還提高了系統(tǒng)推薦效率。
　　最后，本文在前述理論基礎(chǔ)上設(shè)計了動態(tài)推薦系統(tǒng)的原型系統(tǒng)。該系統(tǒng)能夠?qū)崟r響應用戶的最新行為，并根據(jù)用戶行為的變化來實時的調(diào)整推薦結(jié)果，從