论文部分内容阅读
互联网的时代，产生了大量的数据，出现了信息过载的问题。推荐系统能很好的解决信息过载问题。通过介绍推荐系统的研究的现状，总结出推荐系统中的专家信息利用问题、用户兴趣多样性问题，评分推荐的准确性问题等问题，为了解决以上推荐系统中出现的问题，本文进行了相关的研究工作。 本文主要研究基于概率推理和用户偏好模型的推荐算法的相关工作。本文主要介绍这两个推荐算法的原理、模型构建、实验验证的工作。现将本文的研究内容总结如下: (1)为了解决专家利用问题，我们利用HITS算法发现专家用户。专家用户的信息具有准确性和高效性，这样的信息能够有效对用户做出决策支持。为了将专家信息融入到推荐算法框架中，我们提出一个通过扩展信息检索中的概率推理模型来推荐项目的方法。我们把用户兴趣视为查询，项目视为文档，显式和隐匿因子视为索引项。附加专家信息能被加入到概率推理模型中，特别是信念网络模型。这个被提出的模型也利用信念网络结合专家信息的方式来推荐项目。在真实的数据集上测试的实验结果表明提出的方法能提高推荐效果。 (2)推荐系统经常根据预测的用户的评分向用户推荐项目，这样基于用户评分的推荐结果往往不准确。因为用户评分偏好的不同和用户兴趣的多样性，通过用户的评分预测知道用户的兴趣是不准确的。根据用户的评分，本文定义用户的偏好关系。同时，本文将组信息加入到用户偏好关系，这样就可以形成四种关系类型，包括（用户，项目），（用户组，项目），（用户，项目组），（用户组，项目组）。最后，我们利用效用理论函数来度量用户偏好关系，来代替用户评分对用户兴趣的度量。为了应对用户兴趣的多样性问题，本文通过利用主题概率模型LDA从用户的评分中抽取用户的兴趣。本文将扩展用户（组）与项目（组）的点序比较，再利用梯度下降的方法来学习四种关系的排序。在实验部分，我们在真实的数据集上测试我们提出的模型的效果。实验的结果表明我们提出的方法能有效的提高推荐的质量。