基于情境上下文和社交網(wǎng)絡(luò)的個性化推薦方法研究.pdf

1、隨著Web2.0時代的到來，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，在電子商務等諸多領(lǐng)域有著廣泛的應用。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確地找到用戶感興趣的項目，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)的準確度是一個很值得研究的問題。
　　本文提出了幾種融合時間上下文、地點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算的基礎(chǔ)之上，進行如下改進:
　　1.用戶的興趣會隨時間的推移而產(chǎn)生變化，本文考慮兩個方面的時間變化:一個是用戶隨時間變化的興趣相似度，另一個是相

3、似用戶的最近興趣。我們引入了一個時間衰減函數(shù)來體現(xiàn)用戶不同時期的興趣變化。
　　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行類別劃分，相同城市用戶的地點相似度權(quán)重大，不同城市用戶的地點相似度權(quán)重小。
　　3.用戶往往對基于自己好友的推薦信息更加信任，因此如果推薦項目是好友感興趣的項目，那么用戶就會更相信推薦結(jié)果。本文根據(jù)用戶社交網(wǎng)絡(luò)信息計算用戶的熟悉程度，用戶之間的共同好友比例越高，用戶之間越熟悉，他們