论文部分内容阅读
伴随着互联网的不断发展,网络数据量迅速增长,如何快速高效地从海量数据中获取用户需求,解决信息过载问题变得愈加紧迫,在此背景下个性化推荐系统应运而生。个性化推荐系统是通过收集用户数据,分析用户兴趣,向用户推荐所需的产品和信息。在众多推荐方法中,以用户行为确定兴趣相似的邻居用户、推断目标用户喜好的协同推荐应用最为广泛,然而忽略了用户自身和用户间的结构特征关系,有效利用可以丰富单个用户信息,更准确地识别相似用户,从而提高推荐质量。针对这一不足,论文提出了一种基于用户特征发现的协同推荐方法。 本文在大量文献系统分析整理的基础上,首先,通过对用户协同推荐问题的基本描述,构建基于用户特征的协同推荐网络体系,选择用户特征的表现维度----用户价值、用户偏好和用户关系,形成基于用户特征的协同推荐方案。其次,根据三层网络结构的协同推荐网络体系,从不同层面的网络映射描述用户特征,制定相应维度的知识发现方法。价值维度通过用户价值的评价,形成基于SOM的用户价值细分簇;偏好维度结合态度行为理论预测用户行为,填充评分矩阵,形成基于用户偏好的评分预测;关系维度引入社会网络分析理论建立用户关系网络,选取中心性与PageRank评价指标,形成基于社会网络分析的用户评级。然后,综合三个维度的用户特征表示,构建基于用户特征融合的协同过滤推荐模型。在用户价值、用户偏好和用户关系相似性计算的基础上,采取自适应权重的方式计算综合相似度,获取目标用户影响最大的邻居集合,针对性的采取关联规则进行产品推荐,进一步数据实验验证了方法的有效性。最后,在提出方法的基础上,设计了协同推荐的系统原型。本文通过用户的多维特征融合,构建基于用户特征相似的协同推荐方法,为推荐领域的相关研究提供理论与方法支持。