面向服務(wù)推薦的用戶興趣發(fā)現(xiàn)方法研究.pdf

1、隨著信息及互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，現(xiàn)階段人們已經(jīng)進(jìn)入了大數(shù)據(jù)時(shí)代，在面對(duì)當(dāng)前大量數(shù)據(jù)的時(shí)候，信息過(guò)載產(chǎn)生的問(wèn)題越來(lái)越嚴(yán)重，也給用戶在海量信息中選擇帶來(lái)不確定性，為了有效解決此問(wèn)題，推薦系統(tǒng)逐漸引起人們的重視。推薦系統(tǒng)的出現(xiàn)是以用戶為中心進(jìn)行服務(wù)，準(zhǔn)確發(fā)現(xiàn)他們的興趣，為用戶發(fā)現(xiàn)或者推薦需要的信息或服務(wù)。進(jìn)行推薦的時(shí)候是根據(jù)用戶屬性、相應(yīng)的瀏覽歷史以及各種評(píng)分等等信息。目前推薦系統(tǒng)主要在電子商務(wù)領(lǐng)域有切實(shí)應(yīng)用，通過(guò)推薦可以使服務(wù)提供者擁有主動(dòng)

2、，這樣會(huì)實(shí)現(xiàn)精準(zhǔn)服務(wù)并且給他們帶來(lái)更多的利潤(rùn)。
　　現(xiàn)如今在推薦系統(tǒng)中使用最廣泛最成熟的方法是協(xié)同過(guò)濾方法，首先計(jì)算用戶或者服務(wù)之間的相似度，利用最近鄰進(jìn)行分析，找到用戶們的興趣，最終將結(jié)果推薦給用戶。然而此算法在分析用戶興趣的時(shí)候也存在著一定的缺點(diǎn)比如冷啟動(dòng)、數(shù)據(jù)稀疏性以及可擴(kuò)展問(wèn)題，針對(duì)以上問(wèn)題在本文中進(jìn)行了改進(jìn)。
　　本文主要研究?jī)?nèi)容如下：
　　第一，針對(duì)協(xié)同過(guò)濾所存在的冷啟動(dòng)以及數(shù)據(jù)稀疏一系列問(wèn)題，本文提出了基

3、于混合屬性協(xié)同過(guò)濾方法。在用戶進(jìn)行購(gòu)物等行為時(shí)候會(huì)留下自己的信息以及瀏覽歷史等等信息，在本文中將以上的信息進(jìn)行充分利用，主要將用戶的屬性或者特征、用戶的評(píng)分以及用戶的瀏覽歷史進(jìn)行了綜合，其中在用戶評(píng)分方面則是主要使用了用戶們之間的共同評(píng)分，并且采用了改進(jìn)過(guò)的SVD（Singular Value Decomposition）方法進(jìn)行數(shù)據(jù)預(yù)處理；用戶瀏覽歷史加入了時(shí)間戳的函數(shù)，找到用戶的動(dòng)態(tài)興趣。將以上三方面分別計(jì)算相似度，最后將相似度進(jìn)行

4、分權(quán)重計(jì)算，得到最后的相似度，根據(jù)相似度找到相應(yīng)的興趣，再使用KNN（k-Nearest Neighbor）進(jìn)行分析，將結(jié)果推薦給所需要的用戶。
　　第二，為了針對(duì)某個(gè)用戶進(jìn)行特定的服務(wù)推薦，提出了基于隨機(jī)森林的單用戶興趣發(fā)現(xiàn)及服務(wù)推薦，在興趣挖掘的時(shí)候則使用了改進(jìn)過(guò)的隨機(jī)森林，將CART（Classification And Regression Tree）和C4.5進(jìn)行線性融合，經(jīng)過(guò)將以上方法結(jié)合后提高數(shù)據(jù)分類預(yù)測(cè)精度，并且提

5、高了推薦結(jié)果的精確度。在挖掘用戶興趣的過(guò)程中首先將數(shù)據(jù)進(jìn)行相應(yīng)的處理，如果是離散型的數(shù)據(jù)則使用SVD進(jìn)行預(yù)處理，如果是連續(xù)型數(shù)據(jù)則進(jìn)行離散化，在進(jìn)行離散化時(shí)候則使用了CADD（Class-Attribute Dependent Discretizer）等算法進(jìn)行處理，然后進(jìn)行訓(xùn)練和測(cè)試，根據(jù)訓(xùn)練和測(cè)試結(jié)果找到用戶的興趣，最后得出某個(gè)用戶的推薦列表。
　　第三，提出交叉驗(yàn)證方法將基于混合屬性的協(xié)同過(guò)濾和基于隨機(jī)森林的推薦結(jié)果進(jìn)行融合