基于感知上下文的交互推薦算法研究.pdf

1、伴隨著數(shù)字化網(wǎng)絡(luò)信息的普及，網(wǎng)絡(luò)上的信息承載越來(lái)越大。推薦系統(tǒng)的作用就是讓用戶在海量的數(shù)據(jù)中快速得到自己需要的信息。各種各樣的推薦系統(tǒng)也就應(yīng)運(yùn)而生，然而現(xiàn)在大多數(shù)針對(duì)推薦算法的研究都是關(guān)注提高推薦算法的精確度。然而我們熟悉的情境是，不同的用戶的需求是不同的，現(xiàn)在的人們置身于不同的社會(huì)事務(wù)當(dāng)中，每個(gè)人在不同的時(shí)間節(jié)點(diǎn)、地點(diǎn)、情境等會(huì)有不同的偏好。本文認(rèn)為不同的用戶所處的上下文信息不同，并且用戶所處的上下文情境對(duì)推薦系統(tǒng)不可見(jiàn)的，這就要求我

2、們的推薦系統(tǒng)去探知用戶所處的上下文情境，并能夠按照探知的上下文情境進(jìn)行實(shí)時(shí)的推薦，但是現(xiàn)在的上下文推薦系統(tǒng)對(duì)于這種感知功能的關(guān)注度還是比較低的，像是感知交互的過(guò)程等，很多問(wèn)題還需要做出深一步的研究。
　　本文對(duì)上下文感知交互推薦進(jìn)行的主要研究工作如下：
　　1.提出一種上下文感知的交互推薦算法。針對(duì)實(shí)時(shí)的推薦系統(tǒng)，用戶的上下文情境是處于多變的情況下的，很難直接用傳統(tǒng)的用戶偏好提取技術(shù)訓(xùn)練用戶的偏好模型。并且針對(duì)這種上下文情境

3、多變的情況，用戶的上下文信息對(duì)系統(tǒng)是完全不可見(jiàn)的。本文認(rèn)為針對(duì)用戶上下文情境的探知，可以運(yùn)用系統(tǒng)的推薦列表與用戶對(duì)系統(tǒng)推薦的反饋列表進(jìn)行交互的模式進(jìn)行探知，本文提出一種交互模式，能夠動(dòng)態(tài)的探知上下文的改變，并在此過(guò)程中實(shí)時(shí)更新用戶偏好模型，并用這種偏好模型監(jiān)視可能出現(xiàn)的探知偏差。本文提出對(duì)于推薦列表的更新是一種動(dòng)態(tài)隨機(jī)分配最優(yōu)化問(wèn)題，本文提出TP-Learning算法，這個(gè)算法是對(duì)貪婪算法的一種改進(jìn)，是基于啟發(fā)式學(xué)習(xí)的，能夠?yàn)橛脩舻玫揭?/p>

4、個(gè)效能最大化的推薦列表。本文提出的算法就是能夠?qū)崟r(shí)的去發(fā)現(xiàn)用戶上下文的改變，并按照當(dāng)前的上下文模式對(duì)用戶偏好進(jìn)行實(shí)時(shí)更新，并且運(yùn)用這種機(jī)制提高推薦算法的表現(xiàn)。
　　2.改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)推薦算法（NBI）提出基于時(shí)間衰減和用戶相似權(quán)重的二部圖推薦算法(TUserCF)?；诙繄D的推薦算法是將每個(gè)用戶節(jié)點(diǎn)被賦予的資源值均分給相鄰的節(jié)點(diǎn)，本文認(rèn)為應(yīng)該將用戶選擇物品的時(shí)間因素考慮進(jìn)去；我們對(duì)于算法的改進(jìn)是基于當(dāng)前社交網(wǎng)絡(luò)中社會(huì)化的因素，將用

5、戶之間的關(guān)系進(jìn)行擴(kuò)充。我們對(duì)于資源值的分配問(wèn)題時(shí)，首先考慮的就是評(píng)分矩陣的影響，其次就是用戶與用戶之間的興趣集合問(wèn)題，好友集合參數(shù)，并且對(duì)于時(shí)間的衰減進(jìn)行說(shuō)明，并基于時(shí)間的衰減引入了分配系數(shù)的加權(quán)改變過(guò)程。最后按照最后的資源值進(jìn)行推薦，但是這種資源值的推薦也會(huì)將評(píng)分的因素考慮在內(nèi)。我們的算法顯著提高了被推薦物品的準(zhǔn)確性，能夠使推薦更有效率，因此有很強(qiáng)的應(yīng)用價(jià)值。
　　3.本文設(shè)計(jì)了融合上下文信息的電子商務(wù)推薦系統(tǒng)框架，它是綜合了用