基于情境上下文和社交網(wǎng)絡(luò)的個(gè)性化推薦方法研究.pdf

1、隨著Web2.0時(shí)代的到來，我們面臨最大的問題就是信息過載，搜索引擎和推薦系統(tǒng)的出現(xiàn)解決了這個(gè)問題。協(xié)同過濾推薦算法是現(xiàn)在最常用也是最成功的推薦技術(shù)之一，在電子商務(wù)等諸多領(lǐng)域有著廣泛的應(yīng)用。但是傳統(tǒng)的協(xié)同過濾推薦算法存在稀疏性和冷啟動(dòng)等問題，所以很有必要在推薦算法中引入新的數(shù)據(jù)源來減輕這些問題。情境上下文和社交網(wǎng)絡(luò)可以給推薦系統(tǒng)提供更多關(guān)于用戶的信息。相比傳統(tǒng)的協(xié)同過濾推薦算法，引入情境上下文可以幫助用戶更準(zhǔn)確地找到用戶感興趣的項(xiàng)目，社

2、交網(wǎng)絡(luò)則可以提供更多的用戶偏好信息以及用戶行為數(shù)據(jù)，從而部分地緩解了推薦系統(tǒng)的稀疏性和冷啟動(dòng)問題。所以如何融合情境上下文和社交網(wǎng)絡(luò)信息來提高推薦系統(tǒng)的準(zhǔn)確度是一個(gè)很值得研究的問題。
　　本文提出了幾種融合時(shí)間上下文、地點(diǎn)上下文和用戶社交網(wǎng)絡(luò)信息推薦算法。在傳統(tǒng)的協(xié)同過濾算法相似度計(jì)算的基礎(chǔ)之上，進(jìn)行如下改進(jìn):
　　1.用戶的興趣會(huì)隨時(shí)間的推移而產(chǎn)生變化，本文考慮兩個(gè)方面的時(shí)間變化:一個(gè)是用戶隨時(shí)間變化的興趣相似度，另一個(gè)是相

3、似用戶的最近興趣。我們引入了一個(gè)時(shí)間衰減函數(shù)來體現(xiàn)用戶不同時(shí)期的興趣變化。
　　2.不同地方的用戶興趣存在著一定的差別，本文將用戶按照不同城市進(jìn)行類別劃分，相同城市用戶的地點(diǎn)相似度權(quán)重大，不同城市用戶的地點(diǎn)相似度權(quán)重小。
　　3.用戶往往對基于自己好友的推薦信息更加信任，因此如果推薦項(xiàng)目是好友感興趣的項(xiàng)目，那么用戶就會(huì)更相信推薦結(jié)果。本文根據(jù)用戶社交網(wǎng)絡(luò)信息計(jì)算用戶的熟悉程度，用戶之間的共同好友比例越高，用戶之間越熟悉，他們