论文部分内容阅读
随着互联网技术的应用普及、现代电子商务的迅猛发展,充斥在网络上的资源数量呈指数增长的趋势。海量的信息同时呈现在用户面前,从而出现了所谓的“信息爆炸”和“信息过载”现象。个性化推荐系统在这样的背景下应运而生。在过去的二十年里,个性化推荐技术得到了长足的发展,已经成为当前解决信息过载最有效的工具之一。然而就目前而言,个性化推荐技术和系统的研究还停留在初步阶段,远没有达到完善的地步,仍然存在很多问题亟待解决。本文根据推荐算法的不同,分别介绍了基于规则的推荐系统、基于内容的推荐系统、基于协同过滤的推荐系统以及混合推荐系统。在此基础上,本文简要地分析了传统的基于用户的协同过滤技术和传统的基于关联规则的推荐技术各自存在的一些缺陷,并分别提出了相关的解决方案。本文的主要研究内容如下:(1)简要回顾了推荐系统产生的背景、研究现状以及相关的几种常见推荐算法;(2)简要分析了传统的基于用户的协同过滤算法所存在数据稀疏性问题和冷启动问题,并针对该问题提出一种基于用户兴趣传播的协同过滤算法(User Interests Transmission,UIT),该算法在用户兴趣维度上面计算用户之间的相似性,同时考虑了兴趣在不同用户间的传播。在数据比较稀疏的情况下,UIT算法通过用户兴趣的传播使计算得到的用户相似性结果更加准确,在一定程度上缓解了数据高维度和稀疏性问题。(3)针对传统的基于关联规则的推荐系统不考虑用户社会性所带来的一些问题,本文提出并设计了一个基于共性群组关联分析的个性化推荐系统。首先根据系统用户之间的兴趣行为相似性构建用户偏好关系网络;进而通过在用户偏好关系网络中进行社团挖掘,得到多个代表不同兴趣的共性群组;然后在各个共性群组中挖掘频繁项集以获得相关的共性群组规则库;最后通过匹配用户历史行为与所在共性群组规则库的频繁项集来对群组成员提供个性化推荐服务。