基于用户配置文件的个性化推荐方法的研究与实现

摘要

随着资源共享网站的盛行，网络上被共享的资源呈爆炸式增长，用户想要在众多资源中找到对自己有用的信息已经越来越困难。当前的推荐系统中，资源的准确率主要取决于查询和资源描述的相关性匹配，尽管不同的用户可能输入相同的查询条件，但是由于兴趣的不同而对于资源有着不同的需求，因此，个性化推荐具有重要的意义。
　　目前，个性化推荐的研究，主要集中在如何得到用户的兴趣模型并且用适当的形式表示出来，以及如何将兴趣模型应用到推荐系统中以提高资源的准确率和用户满意度上。传统的推荐方法通常没有对查询结果做综合处理，不仅没有考虑用户的个性化需求，也没有很好地对资源的特征进行细化研究，因此检索效果差，用户满意度低。同时，物以类聚，人以群分，虽然每个人都有自己的兴趣，但是将具有相同兴趣的一些用户组成群组，对提高个性化推荐的性能具有重要意义。针对以上问题，论文结合群组推荐，提出了一种基于用户配置文件的个性化推荐方法。
　　首先，针对当前的用户配置文件和资源配置文件都是基于TF-IDF(逆文档词频)方法来构建，TF-IDF是一种传统的构建配置文件的方法，但是该方法在构建用户配置文件时只考虑了绝对的术语频率值、用户总数以及使用某标签的用户数，导致活跃用户的标签权重会远远高于普通用户的标签权重。因此，论文提出了对TF-IDF的改进，在构造用户配置文件时将用户使用过的标签个数以及用户标注的资源总数进行了融合处理，相对降低了活跃用户的标签权重;构造资源配置文件时也将标注过资源的标签个数以及标注该资源的用户总数进行了相应的融合处理，使得配置文件能更准确地反映用户及资源的特征。
　　其次，深入研究了传统的余弦相似性计算方法，并在其基础上提出了改进策略，即将匹配的标签个数融入其中，整体上提高了检索结果的准确率。
　　再次，在传统的推荐系统的基础上，将得到的用户配置文件和初步检索结果进行再一次相关性计算，有效地把用户兴趣模型应用到了搜索中。通过相关实验验证了论文提出的方法的有效性。
　　最后，将本文提出的方法在MovieLens数据集上反复实验，并且根据用户配置文件的相似性用聚类技术对用户进行了分组，计算群组兴趣，用来更新用户兴趣模型，将个性化推荐技术与群组推荐进行了完美的结合，使得推荐结果更有说服力。

目录

声明

摘要

插图索引

附表索引

第1章 绪论

1．1 研究背景及意义

1．2 相关技术研究现状

1．2．1 搜索引擎国内外研究现状

1．2．2 基于标签的推荐技术国内外研究现状

1．3 主要研究内容

1．4 论文组织结构

第2章 相关技术综述

2．1 个性化推荐系统概述

2．2 用户兴趣模型

2．2．1 用户建模的信息来源

2．2．2 用户兴趣模型的表示

2．2．3 用户兴趣模型的建立与更新

2．3 主要聚类技术

2．3．1 K均值聚类技术

2．3．2 二分K均值聚类技术

2．3．3 层次聚类技术

2．4 主要推荐技术

2．4．1 基于规则的推荐

2．4．2 基于内容的推荐

2．4．3 基于协同过滤的推荐算法

2．4．4 混合推荐

2．5 推荐系统的评价

2．6 本章小结

第3章 用户兴趣模型的构建与更新

3．1 用户兴趣模型表示

3．2 用改进的TF-IDF方法构建用户兴趣模型

3．3 基于群组的用户兴趣模型更新

3．3．1 遗忘因子

3．3．2 群组兴趣计算

3．3．3 用户兴趣计算

3．3．4 基于群组的用户兴趣模型更新

3．5 本章小结

第4章 基于用户配置文件的个性化推荐方法

4．1 资源配置文件的生成

4．2 相关性计算

4．2．1 查询和资源配置文件的相似性计算

4．2．2 资源配置文件和用户配置文件的相似性计算

4．3 基于用户配置文件的个性化推荐

4．3．1 算法设计

4．3．2 实验环境

4．3．3 实验数据

4．3．4 评估指标

4．3．5 实验分析

4．3．6 结论

4．4 本章小结

结论

参考文献

致谢

附录A 攻读学位期间完成的主要成果