论文总字数：20659字

摘 要

推荐系统是一个富有挑战性的领域，过去二十多年，产生了许多著名的推荐算法，其中基于内容的推荐算法是常用算法之一。然而，传统的基于内容的推荐算法中没有考虑到用户的兴趣在随着时间变化的问题。在随着互联网的快速发展的情况下，有大量的、新颖的信息涌入进来，进而导致用户的兴趣实在不断变化的，推荐系统如果仍采用传统的基于内容的推荐算法，会导致推荐的精确性和多样性下降，无法满足用户的需求。

针对传统的基于内容的推荐算法无法反映用户的兴趣变化，存在推荐精确性和多样性矛盾的问题，本文提出引入艾宾浩斯遗忘曲线来模拟用户兴趣随着时间变化的规律，进而建立用户的动态偏好特征向量，改进传统的内容推荐算法。而后，在改进后的内容推荐算法的基础上，提出了一种计算相似性的新方法，引入反映项目和用户兴趣两者共同特征数量的系数，即相对相似性，能够在尽量保证推荐精确性的基础上提升推荐的多样性。

关键词：内容推荐 动态偏好 性对相似性 精确性 多样性

Abstract

The recommendation system is a challenging field. Over the past two decades, many well-known recommendation algorithms have been produced. The content-based recommendation algorithm is one of the commonly used algorithms. However, the traditional content-based recommendation algorithm does not take into account the user's interest in changing over time. With the rapid development of the Internet, there are a large number of new and innovative information coming in. As a result, the interests of users are constantly changing. If the recommendation system still uses the traditional content-based recommendation algorithm, it will lead to the recommendation of precision. The decline in sexuality and diversity cannot satisfy the needs of users.

For the traditional content-based recommendation algorithm can not reflect the changes of the user's interests, there is a problem of conflicting recommendation accuracy and diversity. This paper proposes to introduce the Ebbinghaus forgetting curve to simulate the law of user interest changes over time, and then establish the user's Dynamic preference eigenvectors improve traditional content recommendation algorithms. Then, based on the improved content recommendation algorithm, a new method for calculating similarity is proposed. The coefficient that reflects the number of common features of the project and user interest is introduced, that is, the relative similarity can ensure the accuracy of the recommendation as much as possible. Based on the promotion of the diversity of recommendations.

Keywords: Content-based recommendation，Dynamic preference，Relative similarity，Accuracy，Diversity

目 录

摘要 0

Abstract 1

第一章 绪论 1

1.1 研究背景 1

1.2 研究意义 2

1.3 本文研究内容 2

1.4 论文组织结构 3

第二章 相关研究工作 4

2.1 国内外研究综述 4

2.1.1 国外研究综述 4

2.1.2 国内研究综述 4

2.2 基于内容的推荐算法 5

2.3 刻画用户兴趣变化的相关研究和技术 6

2.3.1 时间效应 6

2.3.2 时间窗技术 6

第三章 基于动态偏好的内容推荐算法 7

3.1 引言 7

3.2 构建用户动态偏好 7

3.3 基于动态偏好的内容推荐算法 9

3.4 实验验证与结果 9

3.4.1 实验数据集 9

3.4.2 衡量标准 10

3.4.3 实验过程及结果分析 10

3.5 本章小结 10

第四章 基于多样性改进的内容推荐算法 11

4.1 引言 11

4.2 提高推荐多样性方法 11

4.3 改善多样性的内容推荐算法 12

4.4 实验验证与结果 13

4.4.1 实验数据集 13

4.4.2 衡量标准 13

4.4.3 实验过程及结果分析 13

4.5 本章小结 14

第五章 总结和展望 15

5.1 本文总结 15

5.2 下一步展望 15

参考文献 16

致 谢 18

绪论

1.1 研究背景

大约从20世纪50年代中期开始，以“计算机”为代表象征的信息革命浪潮开始掀起，人类开始了向信息化时代的过渡。互联网的普及和信息技术的高速发展给用户获取信息带来了极大的便利，满足了用户的信息需求，然而，面对海量的信息，用户在获取有效信息方面变得困难，即出现了“信息过载^【3】。为此，工业界和学术界都涌现了大量的科学家来解决这个问题，搜索引擎和分类目录就是具有代表性的两类解决方法^【9】。分类目录通过将信息划分到不同的类别下，进而让用户根据自身的需要到相应类别中查找想要的信息，例如国内的网易新闻就是分类目录的典型应用。然而，随着时间的推移，互联网规模不断扩大，分类目录已经无法涵盖如此巨大的信息。搜索引擎的诞生解决了这样的困局，例如百度、谷歌等，用户只需输入明确的关键词便可寻找相关的信息，大大减少了查询信息花费的时间。但是，当用户是并不明确自己想要寻找的信息时，搜索引擎便无法发挥作用了，而且，搜索引擎不能根据不同用户的不同背景、需求来提供不同的信息，即个性化服务。于是，推荐系统便应运而生了。推荐系统通过挖掘用户的相关信息来建立用户的偏好特征模型，从而向用户推荐感兴趣的信息。

推荐系统的发展是最近二十多年的事情，其历史最早可追溯到1992年在明尼苏达大学创建的计算机科学系GroupLens实验室，该实验室的主要研究方向便是推荐系统。自20世纪90年代中期第一篇关于协同过滤的论文^【3】开始，推荐系统就成为一个重要的研究领域。在过去二十年中，工业界和学术界已经在开发推荐系统的新方法方面做了大量工作。然而它们对这一领域的兴趣仍然很高，因为它构成了一个问题丰富的研究领域，大量的实际应用程序可以帮助用户处理信息过载，并为他们提供个性化的建议、内容和服务。这种应用的例子包括亚马逊网站上的推荐书籍、CD，MovieLens的电影推荐和VERSIFI Technologies的新闻推荐（VERSIFI Technologies 前身为adaptiveinfo.com）。

剩余内容已隐藏，请支付后下载全文，论文总字数：20659字