基于用户行为分析的群组推荐方法研究

摘要

随着互联网技术的飞速发展，网络服务的数量呈指数级增长，面对海量的候选服务，用户快速准确地选择其所需服务变得越来越困难。推荐系统作为一种主动过滤信息的重要方法，是当前缓解信息过载问题及实现个性化的重要手段之一。在现有的推荐系统中，对用户行为进行分析是绝大多数推荐系统发现用户兴趣的重要方法。然而，分析粒度过大，分析范围过小，很难准确地发现用户的即时兴趣，导致推荐效果很难令人满意；此外，在真实的推荐场景中，越来越多的推荐对象从个体转变成了群体，传统针对个体的个性化推荐技术也变得难以适用。因此，本文结合用户行为分析对群组推荐展开了研究工作。主要工作如下： 首先，本文提出了一种基于卷积概率矩阵分解的群组发现方法，该方法融合了基于内容推荐与协同过滤推荐技术，结合服务的描述信息与用户评分行为及时间信息共同分析用户的最近兴趣，并聚类这些用户兴趣来产生群组。 其次，本文提出了一种基于混合推荐融合的在线群组推荐方法，该方法基于贝叶斯个性化排名模型采用在线学习的方式更新用户偏好与群组关联，对现有群组推荐融合模型进行改进。 最后，基于以上提出的方法，构建了基于用户行为分析的群组推荐原型系统，并给出了一个电影群组推荐系统的应用示范。原型系统的构建遵循需求分析、概要设计、详细设计及实现等步骤，完成了用户群组发现，群组推荐，在线反馈等功能模块，验证了本文提出方法的可行性与有效性，展现了基于用户行为分析的群组推荐方法在现实场景中的推荐效果。

目录

第一个书签之前