基于用戶動態(tài)偏好的異構(gòu)隱式反饋推薦算法研究.pdf

1、互聯(lián)網(wǎng)時代的大潮帶來了數(shù)據(jù)的爆炸式增長，大數(shù)據(jù)的概念也在過去的幾年內(nèi)持續(xù)升溫，用戶從海量數(shù)據(jù)中獲得有用信息的代價也越來越高。推薦系統(tǒng)為解決這一問題帶來了曙光。推薦系統(tǒng)通過用戶畫像、用戶的歷史行為數(shù)據(jù)及物品的相關(guān)數(shù)據(jù)等對用戶的偏好進(jìn)行建模，從而幫助用戶快速發(fā)現(xiàn)其真正感興趣的信息。目前非時間敏感的推薦算法通常認(rèn)為用戶的偏好不隨時間變化，在此假設(shè)下進(jìn)行相關(guān)算法的研究。然而，在真實的世界中，用戶的偏好隨著時間的推移不斷變化。時間敏感的推薦算法存

2、在沒有考慮用戶長期、有重復(fù)性的偏好，計算效率不高等問題。因此，研究用戶的動態(tài)偏好，對于提升個性化推薦算法的準(zhǔn)確度、召回率等具有十分重要的意義。
　　本研究主要內(nèi)容包括：⑴時間敏感的推薦算法通常會采用時間衰減的方式，通過降低用戶較遠(yuǎn)時間前的評分值來預(yù)測用戶未來購買興趣。此外，現(xiàn)有的研究主要是將時間衰減用在相對簡單的基于用戶的協(xié)同過濾算法中，尚沒有應(yīng)用于基于模型的推薦算法中。針對上述兩個問題，本文提出一種基于置信度時間衰減的用戶偏好度

3、量方法。我們認(rèn)為，用戶的評分是確定的，不隨時間變化，隨時間變化的是用戶對這個評分的置信程度，以此表征用戶的短期偏好隨時間變化。通過在基于模型推薦算法上的大量實驗，結(jié)果表明該方法可以更好地表征用戶的偏好，從而提升推薦了算法的準(zhǔn)確度、召回率等指標(biāo)。⑵對用戶的長期、有重復(fù)性的偏好進(jìn)行建模對于提升個性化推薦系統(tǒng)的準(zhǔn)確度有重要作用?；跁r間衰減的偏好模型可以識別出用戶的短期偏好，但不足以識別出用戶的長期、有重復(fù)性的偏好。針對上述問題，本文提出了利