基于用戶興趣向量的混合推薦算法.pdf

1、隨著網(wǎng)絡(luò)信息化新格局的出現(xiàn)，人們在互聯(lián)網(wǎng)中的角色逐漸發(fā)生了變化。一方面，作為信息瀏覽者，可以利用更加豐富的網(wǎng)絡(luò)資源滿足自己的需求。另一方面，作為信息制造者，人們正在習慣將生活中的點點滴滴上傳到互聯(lián)網(wǎng)，同時以史無前例的速度繼續(xù)生產(chǎn)內(nèi)容。這種海量信息的呈現(xiàn)使得用戶無所適從，想要從中挑出真正吻合用戶興趣的內(nèi)容非常困難，這就出現(xiàn)了信息過載現(xiàn)象。所以，當下信息過載問題的解決變得日益迫切。推薦系統(tǒng)是解決信息過載問題的關(guān)鍵技術(shù)之一，成為了無數(shù)學者追逐

2、研究的熱點。推薦系統(tǒng)通過獲取服務(wù)器中用戶的行為日志，得到可以描述用戶興趣的原始數(shù)據(jù)，進而構(gòu)建用戶的興趣模型，通過相似度分析計算，為用戶呈現(xiàn)更加個性化的瀏覽頁面，從而提高用戶的瀏覽效率和使用感受。推薦系統(tǒng)不僅僅是一個熱門的理論研究方向，而且作為一種有效的營銷手段已經(jīng)廣泛應用于互聯(lián)網(wǎng)。然而，面對越來越復雜多樣的應用場景，推薦系統(tǒng)暴露出了若干問題，如:數(shù)據(jù)稀疏性問題、用戶興趣遷移問題等。
　　本文針對現(xiàn)有技術(shù)存在的問題，研究了電影推薦中

3、的推薦算法，同時研究了基于推薦算法的醫(yī)療冷柜存儲策略，提出有效的解決方案。主要內(nèi)容包括：⑴以電影推薦為應用背景，提出了一種基于用戶興趣向量的混合電影推薦算法。眾所周知，基于協(xié)同過濾的推薦算法對于用戶的興趣變化不敏感，同時數(shù)據(jù)稀疏性問題也制約了該算法的發(fā)展。針對這兩個問題，提出了一種新型的基于用戶興趣向量的混合電影推薦算法。為了解決數(shù)據(jù)稀疏性問題，本文引入了用戶混合興趣向量。從電影特征向量入手，借助用戶的評分矩陣以迭代的方式處理得到用戶的

4、興趣特征向量，根據(jù)得到的用戶興趣向量和用戶的評分信息組成用戶混合興趣向量，進而構(gòu)建用戶相似矩陣，最終根據(jù)傳統(tǒng)的協(xié)同過濾評分方式完成推薦。針對用戶興趣變化的情況，在構(gòu)建用戶興趣向量過程中融入時間因子，使得越接近當前時間的評分行為權(quán)重越大，越能反映出用戶的當前興趣。本文在 Movielens數(shù)據(jù)集上進行了實驗，并與現(xiàn)有的相關(guān)算法進行了性能比較。實驗結(jié)果表明本文算法在預測評分準確性和收斂性上都有明顯的提高。⑵以醫(yī)療冷柜為應用背景，提出一種基于

5、用戶行為的智能醫(yī)療冷柜系統(tǒng)中樣品的智能存取策略。該策略在智能醫(yī)療冷柜的自動化提取過程中加入樣品推薦模塊，增強用戶與冷柜系統(tǒng)的交互能力，提升用戶的工作效率。具體的，該策略重點解決以下技術(shù)問題；如何利用豐富的樣品內(nèi)容信息輔助存儲；如何根據(jù)用戶的存取行為構(gòu)建有效的提取策略。通過實時收集用戶的存儲和提取行為建立用戶的行為數(shù)據(jù)，結(jié)合樣品本身特征屬性和用戶行為的數(shù)據(jù)分析，建立樣品之間的關(guān)聯(lián)度矩陣，從而針對待存儲樣品給出合理的存儲位置。同時，在用戶提