APP下载

应用数据填充缓解稀疏问题实现个性化推荐*

2013-06-08夏建勋谢长生

计算机工程与科学 2013年5期
关键词:用户

夏建勋,吴 非,谢长生

(1.湖北工程学院计算机与信息科学学院,湖北 孝感 432100;2.武汉光电国家实验室,湖北 武汉 430074;3.信息存储系统教育部重点实验室,湖北 武汉 430074;4.华中科技大学计算机科学与技术学院,湖北 武汉 430074)

1 引言

自Goldberg D 等人[1]于1992年首次提出协同过滤的思想并实现了基于协同过滤的电子邮件推荐系统Tapestry以来,推荐系统和推荐算法受到工业界和学术界广泛而持续的关注,成为一个热门研究领域。伴随因特网的快速发展和Web 2.0的出现,Web信息呈爆炸式急剧增长,人们迈入了一个“信息过载”的时代。个性化的推荐系统能够帮助人们快速准确地从海量数据中寻找到自己感兴趣的信息,因此许多因特网网站为用户提供个性化的推荐服务。例如:GroupLens(http://www.grouplens.org/)向用户推荐电影和网络新闻[2,3]、亚马逊(http://www.amazon.com/)向用户推荐图书和其他产品[4]、网飞(http://www.netflix.com/)向用户推荐CDs[5]、美味书签(http://www.delicious.com/)使用网页标签让用户共享流行网站[6]等等。推荐算法是推荐系统中的核心要素,由于它具有极大的挑战性,吸引了包括信息学、管理学、统计学、数学、物理学和心理学等众多领域的研究者。迄今为止,已经提出了各种推荐算法,包括基于内容分析的推荐[7,8]、协同过滤(CF)[9,10]和混合推荐[11]。其中,协同过滤是研究和应用最为成功的推荐技术。然而,随着用户和项目(产品)的不断增长,协同过滤面临该领域众所周知的三个方面的严重问题[10,12,13]:(1)数据稀疏;(2)冷启动;(3)可扩展性。为了解决这些问题尤其是数据稀疏性问题,研究者采用了诸如数据填充[14]、奇异值分解[15]、随机游走[16]、链路预测[17]等等多种技术,以提高推荐系统的推荐精确度和有效性。……

登录APP查看全文

猜你喜欢

用户
雅阁国内用户交付突破300万辆
关注用户
关注用户
两新党建新媒体用户与全网新媒体用户之间有何差别
关注用户
关注用户
挖掘用户需求尖端科技应用
Camera360:拍出5亿用户
100万用户
如何获取一亿海外用户