基于用户兴趣三维建模的个性化推荐算法

作者:王冰怡;刘杨;聂长新;田萱 刊名:计算机工程 上传者:赵建生

【摘要】针对推荐系统中用户的个性化需求,提出一种基于用户兴趣三维建模的个性化推荐算法。通过分析用户行为数据,从兴趣广度、兴趣深度和兴趣时效3个角度分析用户的兴趣构成,对用户兴趣进行三维建模,并在此基础上,逐步添加维度,设计用户之间兴趣相似度的三级计算方法。在真实推荐系统数据集上的实验结果表明,用户兴趣三维模型比一维模型、二维模型更能准确地表征用户兴趣,基于用户兴趣三维建模的个性化推荐算法能够提高个性化推荐的准确率。

全文阅读

中文引用格式:王冰怡,刘杨,聂长新,等.基于用户兴趣三维建模的个性化推荐算法[J].计算机工程,2015,41(1):65-70.英文引用格式:WangBingyi,LiuYang,NieChangxin,etal.PersonalizedRecommendationAlgorithmBasedonThree-dimensionalUserInterestModeling[J].ComputerEngineering,2015,41(1):65-70.1概述随着互联网信息的爆炸性增长,信息超载目前已成为网络用户面临的一个严重问题,用户难以从海量的在线资源中获取与用户相关或感兴趣的信息。个性化推荐系统是解决该问题的一个有力工具,个性化推荐系统[1]能够根据用户的历史行为信息建立用户兴趣模型,利用系统中的推荐算法向用户推荐其未曾产生过行为的物品。在个性化推荐系统中,用户兴趣建模是个性化推荐的基础[2],很大程度上决定着推荐系统的质量。当前用户兴趣模型的表示大致分为2类:基于关键词的兴趣模型[3]和基于语义的兴趣模型[4]。基于关键词的兴趣模型以向量空间模型表示法[5]为主,利用用户兴趣数据的特征项及其所对应的权值来表示用户兴趣模型,例如,文献[6]针对现有的用户模型不能根据用户自身兴趣实现推荐的问题,通过建立用户集、资源集,结合用户的行为特点及权重,提出了基于用户行为的兴趣模型;文献[7]通过用户关于某个主题的生成概率来反映用户对该主题的喜好程度,提出了基于主题模型的用户兴趣模型。基于语义的兴趣模型往往建立在本体技术之上,使用户兴趣模型更加富有语义信息,加强了用户模型表征力度,被认为是向量空间用户模型的一种完善。例如,文献[8]利用用户访问量,采用改进的相似度算法,实现用户分类建立用户兴趣模型;文献[9]基于用户知识本体和概念向量构建兴趣模型,实现了用户兴趣的个性化语义描述。上述研究在用户建模的过程中,对用户兴趣的描述大都只停留在一维上,如利用用户对资源的访问量来表征用户兴趣。虽然这些研究从不同角度提高了对用户描述的精确度,但仍然缺乏对用户兴趣的深入分析和准确建模,系统需要收集更详细、有效的用户信息来描述用户兴趣[10]。例如用户兴趣范围会随着时间而变化,因此系统就要收集用户搜索的相关时间信息。传统的研究没有将时间因素加入到用户兴趣模型的构建中,导致用户特征描述的不准确性,最终影响了推荐效果。为解决这一问题,本文通过从用户的搜索行为中获取用户数据,从用户兴趣广度、兴趣深度、兴趣时效这3个角度刻画用户兴趣三维模型,设计用户之间相似度的三级计算方法,提出基于用户兴趣三维建模的个性化推荐算法,并将该算法应用到个性化推荐系统中,找出目标用户的最近邻,根据最近邻的兴趣预测目标用户的兴趣,进而对目标用户产生动态推荐。2个性化推荐中的用户兴趣三维建模方法2.1用户兴趣数据的获取要实现个性化推荐,系统必须知道用户的个性化需求,这就需要获取、分析用户信息,建立合适的用户兴趣模型。用户信息可以分为用户背景信息和用户访问信息[11],用户背景信息包括用户职业、年龄、居住地等,可以有效解决个性化推荐初期用户数据较少情况下无法做出精确推荐的“用户冷启动”问题;用户访问信息主要包括用户浏览行为和用户搜索行为,是建立用户兴趣模型的主要来源[12]。本文提出的用户兴趣三维模型主要从用户的搜索行为中获取用户数据。因为在用户的搜索行为中:(1)用户搜索的目标、搜索的时间、浏览的时间、拖动滚动条的次数等行为数据能够体现不同年龄、性别、地区的用户兴趣;(2)随着时间变迁,用户搜索目标的转移

参考文献

引证文献

问答

我要提问