论文部分内容阅读
由于互联网技术的日益深入发展,各式各样的信息在网络中传递着。网络让人们可以尽情娱乐、获取知识,但是信息筛选是每个人都要面对的。如何在玲琅满目的各类信息中高效、准确地为客户提供合适的信息,这在当今信息服务领域是非常迫切的。在实际生活中经常发现,用户所处的情景环境会改变用户对项目的兴趣偏好,传统的推荐系统主要是针对“用户-项目”的二维推荐,考虑情景因子的推荐算法还比较少,为了获得高效、准确的推荐效果,本文主要做了以下研究:(1)研究了在二维推荐系统领域中常用的一些推荐方法,研究了考虑情景信息的多维模式下进行协同过滤的算法流程。接着分析了二维模式下进行SVD奇异值分解(Singular Value Decomposition,SVD)的流程,最后研究了在考虑情景信息的多维模式下进行H0SVD高阶奇异值分解(Higher-Order Singular Value Decomposition,H0SVD)的算法流程。(2)主要研究了概率隐语义算法 PLSA(Probability Latent Semantic Analysis,PLSA)最初的应用领域—“文本检索”。提出了将PLSA算法应用于“用户-项目”二维推荐领域的设想,并给出了“用户-项目”与“文档-词汇”-模型对应表。最后通过对PLSA算法的扩展改进,经过详细的数学分析及证明,得出在“用户-项目-情景”评分矩阵中应用情景概率隐语义算法CPLSA(ContextProbability Latent Semantic Analysis,CPLSA)进行推荐的流程。(3)针对推荐系统效果评价的三个重要指标准确率、召回率、NDCG进行了研究,并进行了相关的对比实验,最后得出结论:引入概率论相关统计知识的PLSA及CPLSA推荐算法比传统的SVD矩阵分解推荐效果要好;考虑情景信息的CPLSA算法在推荐效果上比二维PLSA更好;在PLSA及CPLSA算法中隐含因子数目k及迭代次数Q的改变会对推荐效果产生影响。