基于用戶動態(tài)行為的協(xié)同過濾推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)服務(wù)的迅速發(fā)展，“信息爆炸”和“信息過載”促進(jìn)了人性化推薦系統(tǒng)在電子商務(wù)、影視娛樂等服務(wù)方面的發(fā)展。人性化推薦系統(tǒng)通過分析收集到的用戶信息來建立用戶興趣模型，根據(jù)相應(yīng)的推薦算法，對用戶提供個性化推薦服務(wù)。根據(jù)用戶對項(xiàng)目的歷史評分記錄提出準(zhǔn)確度更高的推薦算法，是每一個推薦系統(tǒng)應(yīng)該高度重視的內(nèi)容，也是本文研究的出發(fā)點(diǎn)。本文的主要研究內(nèi)容和創(chuàng)新點(diǎn)如下：
　　1、對推薦系統(tǒng)的設(shè)計模塊流程、評價指標(biāo)、常見問題和目前常用的推薦算法進(jìn)

2、行了綜合的介紹。通過對推薦系統(tǒng)的各個模塊的了解和常見算法的理解分析，明確系統(tǒng)需要改進(jìn)的地方和傳統(tǒng)算法的優(yōu)缺點(diǎn)。
　　2、通過添加時間因子，提出了基于用戶動態(tài)行為項(xiàng)目相似度的推薦算法（DIBCF）。在鄰居模型的協(xié)同過濾算法中，項(xiàng)目相似度具有穩(wěn)定的優(yōu)點(diǎn)，本文在基于項(xiàng)目相似度推薦算法的基礎(chǔ)上添加時間窗，為包含在時間窗中的項(xiàng)目相似度分配較高權(quán)重，從而提高推薦性能。
　　3、通過添加時間因子，提出了基于用戶動態(tài)行為SVD++的推薦算法

3、（DSVD++）。在潛在因子模型的協(xié)同過濾算法中，目前的SVD++算法具有分析用戶隱性反饋因子和用戶項(xiàng)目特征的優(yōu)點(diǎn)，在此基礎(chǔ)上提出了用戶評分偏差隨時間變化的函數(shù)，通過準(zhǔn)確地追蹤用戶的興趣偏移，糾正推薦的評分分值，從而提高推薦性能。
　　4、通過線性組合 DIBCF和 DSVD++，提出了基于用戶動態(tài)行為的協(xié)同過濾推薦算法（DCF）。該算法通過結(jié)合DIBCF算法中項(xiàng)目相似度穩(wěn)定性的優(yōu)點(diǎn)，和DSVD++算法中用戶項(xiàng)目特征維度與隱性反饋