论文部分内容阅读
如何对混杂无序的信息进行筛选和过滤,并将用户最关注和最感兴趣的信息进行展现,成为信息爆炸时代最重要的挑战性问题之一。在此背景下,推荐系统应运而生,它不像搜索引擎一样仅对用户提供的显式需求进行被动匹配,而是可以根据用户潜在的兴趣和爱好主动进行信息(项目)推荐,因此可以最大程度上提升用户体验、提高服务质量。然而,已有推荐算法经常受用户兴趣过拟合和用户冷启动等问题的困扰,导致了推荐效果的不理想。为此,本文提出对推荐系统中的用户进行兴趣建模,准确理解用户当前情境下的需求,然后,设计高效的推荐算法,以提高用户满意度和商家收益。本文的工作与贡献可以概括如下：首先,提出了基于概率主题模型的用户兴趣表示方法,构建了基于随机游走的兴趣扩展模型。当前协同过滤推荐算法往往只关注用户和系统的交互信息,缺乏对用户兴趣深度理解。针对该问题,本文探索了用户和项目之间存在的隐式兴趣层。具体而言,设计了用户-兴趣-项目的三层推荐表示模型,在利用概率主题模型获取用户当前兴趣后,提出基于随机游走的用户兴趣扩展与兴趣传播算法,并将符合用户兴趣的项目进行推荐。基于此,构建了一个面向项目、基于模型的协同过滤推荐算法iExpand。在三个标准数据集上的大量实验结果表明,iExpand生成的推荐列表可以更准确地把握用户当前兴趣。其次,提出了情境丰富时的游客兴趣建模方法,设计了Cocktail旅游套餐个性化推荐算法。针对移动推荐的情境感知特性和数据稀疏等挑战,对游客的旅游行为数据进行了细致分析,发现了旅游套餐中的旅游景点之间隐含的时空关联性。基于此发现,提出融合情境信息的游客兴趣表示方法TAST,将具有相似旅游偏好(如旅游季节和地点)的游客映射到相近的隐空间,实现游客兴趣和套餐内容的可比较性。基于该兴趣模型和套餐价格约束等,设计实现了Cocktail旅游套餐推荐算法,为游客进行个性化的旅游套餐推荐服务。在一个旅游公司十年真实数据上的实验结果表明,与当前具有代表性的推荐算法相比,该系统显著提高了推荐精度。最后,提出对新用户进行兴趣引导的最优初始项目推荐算法。针对如何从商家收益的角度对新用户进行初始项目推荐的问题,研究了网络中的最有影响力结点(项目)识别方法。首先,提出项目消费网络中的最优项目启发式选择算法,为新用户推荐最有影响力的项目,从而诱导他们消费更多的项目；其次,提出基于PageRank线性信息传播模型的最优初始项目识别算法,给定用户的已有消费项目集合(已有兴趣),利用贪心策略寻找能够带来最多潜在消费的一组项目进行推荐,结合商家潜在收益,对推荐的有效性进行评价。