张艳梅,王 璐

(中央财经大学信息学院,北京100081)

适应用户兴趣变化的社会化标签推荐算法研究

张艳梅,王 璐

(中央财经大学信息学院,北京100081)

目前许多基于社会化标签的推荐均忽视用户的兴趣变化及反复性,影响了推荐质量。针对该问题,提出一种将指数遗忘权重和时间窗口相结合的算法,既突出了近期兴趣的重要性,又强调了反复出现的早期数据。建立基准标签集,根据指数偏移后的标签向量选出目标用户的最近邻居,通过目标用户时间窗内标记的资源计算其所有资源的推荐权重向量,结合推荐权重和资源相似度给出最近邻居标记资源的推荐分数,取分数最高的前K个资源做出推荐。仿真实验结果表明,改进后的算法能动态地跟踪、学习用户的兴趣变化,提高推荐精度。

协同过滤;标签;兴趣变化;指数遗忘;时间窗;推荐

1 概述

近年来,互联网规模及Web2.0迅速发展,大量有用信息和垃圾数据充斥着网络,面对信息过载问题,信息检索领域迫切需要个性化推荐服务为用户提供有价值信息,完善用户体验,使用户由被动的信息浏览者转变为主动的参与者。当前主流的推荐方法包括协同过滤推荐［1］、基于内容推荐［2］、基于图结构的推荐［3］、混合推荐［4］等。其中,协同过滤技术是实际应用中使用最广泛的推荐技术［5］。联系用户和资源,标签就是其中一种,它既能表现用户的兴趣取向,同时还能体现资源的属性特征。文献［6-7］的研究显示标签可以准确显示用户对网页内容的判断,同时标签也是描述资源的一种好方法。……