论文部分内容阅读
近些年来,随着互联网尤其是移动互联网的高速发展极大地促进了电子商务的繁荣。电商平台中无论是商品数量还是用户数量都呈现爆炸式增长。电商如何将商品信息快速有效地传达给目标用户,以及用户如何从海量的商品信息中快速准确地寻找有用信息成为当前研究的热点内容。在这种情况下,能够利用用户的各种行为信息准确预测用户的兴趣点,并将其感兴趣的内容推荐给用户的推荐系统受到了极大的重视。推荐算法产生的精确推荐在帮助用户快速寻找感兴趣商品的同时,尽最大可能地将用户潜在购买力转化为实际购买力,大大提高了网站的销售额。但是随着商品规模以及用户数量的不断增加,给计算机的计算能力带来了极大地挑战。而矩阵分解算法可以将高维的用户评分矩阵分解为几个低维矩阵,大大降低了计算复杂度,极大地提高了推荐系统的时效性。而且矩阵分解的应用,可以使得推荐系统的推荐精度随着评分数据的增加而不断提高,增加了系统的可学习性。因此,基于矩阵分解的推荐算法受到了越来越多的重视。在本文中,我们对如何进一步优化矩阵分解推荐算法的推荐效果做了一些研究。针对基于矩阵分解推荐算法中存在的忽视近邻用户对目标用户的影响问题,提出应该寻找目标用户的近邻并为之赋予影响权重。同时针对矩阵分解推荐算法没有考虑用户兴趣漂移的问题,为目标用户的兴趣项赋予了时间权重。针对上述问题,本文的主要研究内容有:(1)针对目标用户会受到近邻用户的影响这一问题,在进行矩阵分解时加入了近邻用户影响力。在众多的用户群体中,每位用户对目标用户的影响权重是不同的,与之相类似的用户影响力较大,与之差别较大的用户影响力较小。系统在使用矩阵分解算法进行推荐的时候,应充分考虑用户间的影响力。(2)如何寻找目标用户的近邻。本文指出了传统KNN算法在寻找目标用户的近邻用户时的缺陷所在,提出利用Cloud-model代替余弦相似度,从统计学意义上寻找目标用户的近邻。(3)解决了目标用户的兴趣漂移问题。目标用户的兴趣是随着时间变换而变化的。有的是长期兴趣,有的是短期兴趣。只考虑用户长期兴趣点或者只推荐用户短期兴趣点明显是不合理的。因此本文将目标用户兴趣的时间权重融合入矩阵分解推荐算法中,综合长期兴趣以及短期兴趣给出项目推荐,提高了推荐系统的准确性。