浅论时间因素在协同过滤推荐系统中的作用.pdf资源-CSDN文库

版权申诉

32 浏览量 2022-06-02 22:15:57 上传评论收藏 72KB PDF 举报

资源推荐

资源详情

资源评论

浅论时间因素在协同过滤推荐系统中的作用

【摘要】作为迄今为止个性化推荐技术最成功的应用之一，协同过滤技术

成了个性化推荐领域重点研究的课题，得到了研究者越来越多的关注。传统协同

过滤算法并不能很好准确预测用户的兴趣随时间推移发生各种形式多变的变化。

本文充分考虑了时间因素对推荐的影响，对协同过滤推荐技术进行了有益的探索

和研究，引入了时间遗忘技术，将用户兴趣、时间效应有机的结合起来，改进基

于用户的协同过滤算法。

【关键词】协同过滤时间遗忘兴趣迁移

1 引言

随着网络的普及和网络信息量不断膨胀，面对众多的选择，用户要从中挑选

出自己真正需要的东西，如同大海捞针般困难。于是为不同用户提供不同服务的

推荐系统随之而生，由过去“人找信息”转变到“信息找人”[5]，以满足不同用户的

个性化需求。

作为应用最广泛最成熟的推荐技术之一的协同过滤推荐（ Collaborative

Filtering，CF）技术，它通过分析用户的爱好描述，寻找出具有相同兴趣的用户，

根据用户之间的相似性来推荐资源，如图 1 所示。它是从用户的行为出发，基于

相似兴趣用户之间的推荐，利用目标用户有相似喜好的邻居用户的信息进行分析

挖掘进行推荐。

与内容过滤不同，协同推荐只关注用户对对象的评价信息，对推荐对象本身

并没有特殊的要求，不再以“内容的分析”为基础，而是以“人” 为决策基础。它

侧重于由一群兴趣相似的人来选择推荐的对象，更能够处理难以表现的概念，能

针对任何形态的信息进行推荐，并能取得很好的推荐效果。（图 1）

2 传统协同过滤

在现实生活中，人们往往会咨询一些和自己兴趣相似的人来了解自己所遇到

的不了解的问题或事物，通过他们的意见作出自己的选择或者判断。传统协同过

滤就是对这个过程进行模拟，通过用户之间的历史行为判断找出和目标用户最相

似的邻居，目标用户对某项目的喜好程度根据这些相似邻的兴趣进行一种预测。

2.1 算法描述

作为当前最成功推荐技术的协同过滤推荐技术，其基本出发点是：用户的评

价信息包含了不同的兴趣信息；相似（兴趣）用户的评价将与其对一个未知对象

的评价相似；可以按照兴趣对用户进行分类。这三条构成了协同过滤系统的理论

基础。典型的协同过滤算法是基于用户（ user-based）的，一般而言，协同过滤

在推荐系统中主要包括建立用户模型、寻找最近邻居以及产生推荐三个步骤

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余0页未读，立即下载

内容反馈

版权申诉

春哥111

粉丝: 1w+
资源: 5万+

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip