融入上下文相互关系的概率矩阵分解推荐
2016-11-15姚云锋陈莲娜
中国计量大学学报 2016年3期
姚云锋,陈莲娜
(中国计量大学 信息工程学院,浙江 杭州 310018)
融入上下文相互关系的概率矩阵分解推荐
姚云锋,陈莲娜
(中国计量大学 信息工程学院,浙江 杭州 310018)
上下文感知推荐系统在传统的推荐算法中加入了上下文信息,从而有效地提高了推荐效果.上下文感知推荐算法将上下文融入推荐生成过程的不同阶段分成三类.大部分算法虽整合了上下文信息,但忽略了上下文之间的相互关系.针对这种情况,提出一种推荐算法.首先在众多的上下文信息中,通过统计方法,提取具有显著不同的上下文特征,从而降低了数据的维度和稀疏度;然后计算上下文信息之间的修正余弦相似度,并与概率矩阵分解模型结合,从而有效地将上下文相互关系融入到了概率矩阵分解中.实验结果表明,该方法可以有效利用上下文的相互关系,提高推荐的准确度.
推荐系统;上下文相互关系;概率矩阵分解;相似度
随着互联网的快速发展,生活中的信息爆炸式增长,用户很难在其中找到对自己有用的信息.推荐系统结合用户喜好进行推荐,有效缓解信息超载.传统的推荐系统只考虑用户和商品,没有考虑用户当时所处的环境以及其他上下文信息.比如,在音乐推荐过程中,用户心情往往会影响到对音乐的评价.有些用户在“心情悲伤”时更愿意被推荐一些节奏缓慢的歌曲.上下文感知推荐系统(context-aware recommender systems, CARS)根据用户的喜好,将用户所处上下文信息整合……
登录APP查看全文
