基于用戶動(dòng)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(shí)代的大潮帶來(lái)了數(shù)據(jù)的爆炸式增長(zhǎng)，大數(shù)據(jù)的概念也在過(guò)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(jià)也越來(lái)越高。推薦系統(tǒng)為解決這一問(wèn)題帶來(lái)了曙光。推薦系統(tǒng)通過(guò)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(duì)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(shí)間敏感的推薦算法通常認(rèn)為用戶的偏好不隨時(shí)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(shí)的世界中，用戶的偏好隨著時(shí)間的推移不斷變化。時(shí)間敏感的推薦算法存

2、在沒(méi)有考慮用戶長(zhǎng)期、有重復(fù)性的偏好，計(jì)算效率不高等問(wèn)題。因此，研究用戶的動(dòng)態(tài)偏好，對(duì)于提升個(gè)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(shí)間敏感的推薦算法通常會(huì)采用時(shí)間衰減的方式，通過(guò)降低用戶較遠(yuǎn)時(shí)間前的評(píng)分值來(lái)預(yù)測(cè)用戶未來(lái)購(gòu)買興趣。此外，現(xiàn)有的研究主要是將時(shí)間衰減用在相對(duì)簡(jiǎn)單的基于用戶的協(xié)同過(guò)濾算法中，尚沒(méi)有應(yīng)用于基于模型的推薦算法中。針對(duì)上述兩個(gè)問(wèn)題，本文提出一種基于置信度時(shí)間衰減的用戶偏好度

3、量方法。我們認(rèn)為，用戶的評(píng)分是確定的，不隨時(shí)間變化，隨時(shí)間變化的是用戶對(duì)這個(gè)評(píng)分的置信程度，以此表征用戶的短期偏好隨時(shí)間變化。通過(guò)在基于模型推薦算法上的大量實(shí)驗(yàn)，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(duì)用戶的長(zhǎng)期、有重復(fù)性的偏好進(jìn)行建模對(duì)于提升個(gè)性化推薦系統(tǒng)的準(zhǔn)確度有重要作用?；跁r(shí)間衰減的偏好模型可以識(shí)別出用戶的短期偏好，但不足以識(shí)別出用戶的長(zhǎng)期、有重復(fù)性的偏好。針對(duì)上述問(wèn)題，本文提出了利