论文部分内容阅读
个性化推荐系统作为信息过滤的有效工具越来越受人们关注。作为迄今为止最成功的推荐技术,协同过滤的核心首先是从用户对物品的评分中计算用户相似度或者物品相似度,进而基于相似用户或者相似物品的评分预测目标用户可能的评分并给予推荐。传统的协同过滤算法通常在实际应用中都存在着数据稀疏和冷启动等问题,从而影响推荐的准确度。为了缓解这些问题,概率矩阵分解模型被广泛研究,同时为了进一步提高推荐系统的性能,研究人员提出了基于上下文与基于社交信任的推荐模型。通过对国内外推荐算法的深入分析,本文提出了上下文感知的多维信任推荐模型。 首先,通过t校验过滤掉无关上下文,选出对用户评分有较大影响的相关上下文。其次,利用选取的上下文通过混合高斯聚类方法对用户评分矩阵进行聚类。聚类后在同一类别的评分相较聚类前矩阵中的评分相关程度更大(也即缺失评分更能够由已知评分准确的预测出来)。再次,计算用户之间的评分相似度,并与用户之间的信任关系相结合,构建用户间的多维信任关系,从而更好地量化用户间的信任程度。最后,对构建好的多维信任模型及聚类后的评分矩阵进行概率矩阵分解,得到用户和物品的潜在特征向量,以此来预测用户对物品的评分。 本文利用权威的消费者点评网站epinions.com中的数据作为实验数据集。实验结果表明,该模型相较已有的优秀推荐算法在准确性和效率方面都有较大提升。