论文部分内容阅读
随着电子商务中信息过载问题的日益严重，协同过滤推荐技术逐渐被广泛关注及研究。然而推荐系统中的信息资源具有动态复杂的特性，协同过滤推荐技术仍面临着一些关键问题。近年来，基于网络结构的推荐技术研究逐渐受到学者们的关注。异构信息网络成为一个活跃的研究领域，其模型中包含更多对象之间的关系和语义信息，表达更丰富，为研究推荐技术提供了一个新的解决方案。本文深入研究了协同过滤推荐技术和异构信息网络的相关内容，介绍了本文的研究思路，提出基于异构信息网络的协同过滤推荐技术的研究框架，针对协同过滤推荐技术面临的关键问题，明确本文的研究内容。具体包括以下几项工作：(1)从信息网络的角度出发，综合多维度的信息构建异构推荐网络模型，通过链接的关联特性预测用户对项目的兴趣程度，并动态更新推荐网络，实现最终预测，生成推荐结果，有效改善数据稀疏性和可扩展性问题，提高了推荐的效果。(2)针对数据稀疏性以及用户行为随机性等问题，从相似性度量标准出发，提出根据当前数据环境动态生成相似度影响因子修正相似性度量，在此基础上，实现综合用户和项目维度的协同过滤推荐，提升算法推荐结果的精确性。(3)讨论真实网络与预测网络间的交互问题，提出基于异构信息网络的协同过滤推荐算法，根据真实网络中实时的用户行为数据及预测结果更新异构推荐网络，通过动态生成相似度影响因子来自适应修正近邻关系，采用基于异构信息网络的推荐算法实现推荐，该方法能够适用于大规模、动态更新的真实网络，且具有较强的灵活性。本文选用数据集MovieLens对文中所提出的算法完成实验，并对实验数据进行分析，验证了本文所提方法的准确性和有效性。