论文部分内容阅读
随着计算机技术的不断发展以及信息网络的全面覆盖，以Web2.0为主的互联网模式盛行。用户作为互联网中的主体，既产生数据又使用数据，致使网络中的信息量呈爆炸式增长，用户很难从中找到自己需要的信息，便产生了信息过载问题。针对信息过载，目前的解决方法主要有信息检索和个性化推荐两类。其中个性推荐技术由于具有跟踪用户兴趣变化、主动提供信息、增加用户满意度等优点，成为当前解决信息过载问题的主要方式。
随着对个性化推荐研究的不断深入开展，传统推荐算法的缺点日益明显。协同过滤算法作为传统推荐算法之一，学者们在长期的研究中发现，此算法中存在冷启动、数据稀疏性、用户兴趣动态性变化等问题。同时，由于协同过滤算法依赖用户评分为用户进行推荐，而用户评分数据只能表示用户对项目的喜厌程度，无法表明用户的兴趣特征；依靠用户间的共同评分计算用户相似度将邻居用户的选取局限于共同评分用户中，这种方法不能体现用户之间的深层关系。
因此针对传统协同过滤算法中的不足，本文主要研究内容包括以下几个方面：
1.根据用户数据构建用户画像得到用户特征属性。针对用户行为的变化性，提出在用户画像的构建过程中加入时间因素，用时间权重增强用户长期偏好与短期偏好的重要性。基于用户数据的用户画像构建在一定程度上缓解用户冷启动问题。
2.由于不同用户的评分习惯也不同，提出将用户评分与用户画像结合的推荐算法。在推荐过程中，用户特征与用户评分习惯相互弥补不足，修正用户相似度计算，使推荐项目既满足用户偏好又符合用户的喜好程度，
3.考虑到用户的社会关系具有传递性，结合用户画像相似度，提出用户画像与随机游走融合的推荐方法。在随机游走理论中，节点的游走过程表征了用户间关系的传递性，节点的访问概率值表示了用户节点间的关联程度。将用户评分数据转换为加权二分图，并在图中进行随机游走为目标用户查找相似用户，这种方式扩展了相似用户的范围。
随着对个性化推荐研究的不断深入开展，传统推荐算法的缺点日益明显。协同过滤算法作为传统推荐算法之一，学者们在长期的研究中发现，此算法中存在冷启动、数据稀疏性、用户兴趣动态性变化等问题。同时，由于协同过滤算法依赖用户评分为用户进行推荐，而用户评分数据只能表示用户对项目的喜厌程度，无法表明用户的兴趣特征；依靠用户间的共同评分计算用户相似度将邻居用户的选取局限于共同评分用户中，这种方法不能体现用户之间的深层关系。
因此针对传统协同过滤算法中的不足，本文主要研究内容包括以下几个方面：
1.根据用户数据构建用户画像得到用户特征属性。针对用户行为的变化性，提出在用户画像的构建过程中加入时间因素，用时间权重增强用户长期偏好与短期偏好的重要性。基于用户数据的用户画像构建在一定程度上缓解用户冷启动问题。
2.由于不同用户的评分习惯也不同，提出将用户评分与用户画像结合的推荐算法。在推荐过程中，用户特征与用户评分习惯相互弥补不足，修正用户相似度计算，使推荐项目既满足用户偏好又符合用户的喜好程度，
3.考虑到用户的社会关系具有传递性，结合用户画像相似度，提出用户画像与随机游走融合的推荐方法。在随机游走理论中，节点的游走过程表征了用户间关系的传递性，节点的访问概率值表示了用户节点间的关联程度。将用户评分数据转换为加权二分图，并在图中进行随机游走为目标用户查找相似用户，这种方式扩展了相似用户的范围。