论文部分内容阅读
随着互联网信息的快速增长,传统的检索技术已经无法满足用户快速及准确的访问信息的要求。基于此,个性化的推荐系统逐渐被各大互联网公司重视并投入到现实应用中来。迄今为止,几乎所有的推荐系统均是依靠用户的点击日志或内容信息来指导推荐,此种推荐方式仅能向用户推荐与用户浏览过的信息或具有相似内容的信息,或是推荐大多数用户都点击的信息。事实上,用户更倾向于获得满足其特定兴趣爱好的个性化的推荐结果,此种需求促使了个性化应用推荐方法的出现。现有的个性化应用推荐方法几乎都是依赖用户的搜索日志、点击日志或用户自身提供的标签来标识用户的兴趣特征(或称之为用户模型),然后依据此兴趣特征向用户推荐信息。显而易见,此种个性化推荐方法仅仅以单一用户的兴趣特征作为推荐依据,而没有结合用户间广泛存在的好友关系(即相互关注)。传统的推荐方法存在以下的局限性:1)难以把握用户多种多样的兴趣爱好:用户多种多样的兴趣爱好很难通过有限的特征予以全面描述。2)无法获取用户隐含的兴趣爱好。3)无法方便地融入先验知识。4)无法随用户兴趣的变化而自适应地改变推荐结果。针对上述问题,本论文提出一种新颖的引入用户关注的图推荐模型,并在实验中验证了其有效性。该图推荐模型主要从以下几点针对传统推荐模型存在的问题进行改进:1)将商品间的相关度计算和商品的评论文本间相似度计算融合在一个迭代过程中以获得更加合理的商品相关度计算结果,通过结合此项结果,推荐模型可以完成在向用户推荐商品时,将相关的商品也一同推荐给用户这一目的。2)提出一种图推荐模型,该模型从用户间的相互关注这一角度入手,将用户和商品作为结点,并依据图中结点的分布情况计算每个结点的集中性以作为将某个项目推荐给用户的概率。此模型能够借助用户间的相互关注情况,将用户的兴趣点予以全面挖掘,进而向用户推荐感兴趣的信息。3)通过设置结点的初始权值以在推荐模型中引入先验知识,通过先验知识调整模型的结构以满足用户的喜好,此调整能够使推荐结果受用户先验知识的影响,满足用户的某些兴趣偏好。4)为提高推荐的效率,本论文提出一种局部图模型计算方案,该方案可以在商品动态更新和用户的兴趣改变时快速的更改推荐结果,提升推荐效率。5)上述方法仅从用户和商品的关系网络角度入手去解决推荐问题,在此之上,本论文还引入了用户的文本特征,通过从多视图的角度描述用户,可以获得更加准确和合理的推荐结果。综上所述,不同于目前各大互联网公司广泛采用的推荐系统,本论文提出的图推荐模型可以结合用户间的相互关注情况向用户推荐其感兴趣的商品,同时可以利用商品之间的相关性向用户推荐相关的商品。实验结果显示,该推荐模型无论在准确率上还是在运行效率上都优于传统的推荐模型。最后,为验证本论文提出的推荐模型的性能,实现了基于社交网络的话题推荐系统,该系统利用图模型预测向用户推荐的热点话题。系统结果显示,利用图模型后,能够很好的发现用户隐含的兴趣爱好,而将准确的话题推荐给用户。