摘要
随着移动互联网，大数据，云计算以及物联网技术的不断进步与发展，信息资源规模急速扩大，信息过载问题（Informationoverload）日渐严重，从而催生了大量的个性化推荐系统（RecommenderSystem，RS）。协同过滤（CollaborativeFiltering，CF）推荐算法不需要太多特定领域的知识，容易实现且准确率高，因此在RS领域得到了广泛的应用。然而，传统的CF算法一直面临着数据稀疏、冷启动和可扩展性等问题，仅利用单一的用户评分信息很难有效解决这些问题。随着用户规模的不断扩大和信息技术的不断提高，衍生了大量的多元信息，如用户的人口统计学信息，商品的类型标签信息，社交网络信息，时间情景等等。如何利用丰富的多元信息来优化算法成为个性化RS领域的一个研究热点。 本文以稀疏矩阵缺失评分预测填充，融合时间情景，基于用户的协同过滤（User-basedCollaborativeFiltering）和基于项目的协同过滤（Item-basedCollaborativeFiltering）推荐算法为基础，分析现有算法存在的不足，在推荐算法的各个阶段融入多元信息，具体内容如下： （1）针对RS中的评分稀疏问题，本文提出了一种基于用户偏好二分策略和融合平均评分的有效预评分方法（AnEffectivePre-ratingMethodBasedonUsers''PreferencesDichotomyStrategyandAverageRatingsFusion），首先融合了用户评分信息和项目标签等多元信息构造用户-项目偏好矩阵，对用户的兴趣偏好进行分析和建模。然后根据参数化的动态阈值将项目分为用户感兴趣和不感兴趣两类。对于这两类项目的缺失评分，采用不同的方法进行填充，在一定程度上缓解了数据稀疏导致的消极影响。 （2）针对现有融入时间情景的推荐算法忽视了不同用户对时间敏感性差异的问题，本文提出了一种基于用户时间敏感性检测的评分预测方法（RatingPredictionMethodBasedonUserTime-Sensitivity）。首先融合了用户评分信息和项目类型标签等多元信息对用户时间敏感性进行分析和建模，基于投票策略，分别利用余弦距离和相对熵建立判断函数，检测用户对时间的敏感性。再基于用户时间敏感性改进了传统的协同过滤评分预测算法，并进行了组合参数优化。 最后，在标准数据集（MovieLens）上对本文提出的两个方法进行了实验验证和分析，实验结果表明本文提出的方法可以有效地降低预测的误差，进而提高推荐质量。
NETL