基于身邊服務(wù)的推薦系統(tǒng)的設(shè)計與實現(xiàn).pdf

1、隨著互聯(lián)網(wǎng)的普及，互聯(lián)網(wǎng)相關(guān)應(yīng)用越來越多，隨之而產(chǎn)生的網(wǎng)絡(luò)信息也呈現(xiàn)高速增長的趨勢。在面對這些大量過載的信息，人們很難從中快速找出自己需要的信息。傳統(tǒng)的搜索引擎只能根據(jù)關(guān)鍵字給所有用戶提供同一種結(jié)果，無法根據(jù)用戶自身的喜好給出個性化的結(jié)果。個性化推薦技術(shù)的出現(xiàn)使得人們面對大量信息快速找出自己的需求成為了可能，相比傳統(tǒng)的搜索引擎，個性化推薦能夠依據(jù)每個人的興趣偏好特征，把用戶可能感興趣的信息推薦給用戶，讓用戶能夠在短時間內(nèi)定位自己的需求的

2、信息。
　　推薦系統(tǒng)不僅能讓用戶快速定位到自己的需求，對于信息提供方，推薦系統(tǒng)能讓其發(fā)布的信息能夠從海量信息中脫穎而出，被廣大用戶關(guān)注。推薦系統(tǒng)的可行性以及出色的效果，極大的推動了推薦系統(tǒng)在商業(yè)實踐中的應(yīng)用和發(fā)展。目前個性化推薦系統(tǒng)應(yīng)用最廣泛的是電子商務(wù)、廣告和新聞等領(lǐng)域，而我們在生活中遠不止這些，圍繞我們生活的方方面面都在互聯(lián)網(wǎng)化，而針對身邊的服務(wù)的推薦系統(tǒng)卻少之又少。
　　本文以現(xiàn)有的推薦技術(shù)為基礎(chǔ)，設(shè)計并實現(xiàn)了針對身邊

3、服務(wù)的推薦系統(tǒng)。本文的主要貢獻包括：
　　1.提出了基于三種用戶行為數(shù)據(jù)的用戶-服務(wù)興趣度計算方法。用戶興趣度由三種用戶行為表現(xiàn)的興趣度組合得出，分別是基于用戶操作興趣度、基于訪問頻率興趣度和基于停留時間興趣度。這種興趣度計算方法能得到更準確的用戶-服務(wù)興趣度，得到更精確的用戶模型。
　　2.提出適合本文推薦場景的加權(quán)混合推薦策略。首先利用基于用戶的協(xié)同過濾和基于內(nèi)容推薦兩種推薦算法得出兩組推薦結(jié)果，然后對兩組結(jié)果賦予不同的

4、權(quán)重，然后計算出最終的推薦值，按照推薦值排序給用戶推薦。兩種推薦算法優(yōu)勢互補，不僅解決了新添加服務(wù)的冷啟動問題，而且提高了推薦的準確度、多樣性和覆蓋率，取得了更好的推薦效果。
　　3.提出根據(jù)用戶反饋的權(quán)重調(diào)整方法。分別統(tǒng)計每次用戶對兩種推薦結(jié)果的點擊次數(shù)，然后根據(jù)一定時間段內(nèi)兩種結(jié)果的點擊次數(shù)占比，調(diào)整在產(chǎn)生推薦結(jié)果時兩種推薦算法的權(quán)值。
　　4.添加生成推薦報告模塊。將用戶歷史的行為數(shù)據(jù)進行統(tǒng)計總結(jié)，以圖標的形式展示給用