基于用户行为反馈的用户兴趣模型更新算法
2017-06-15李强
洛阳理工学院学报(自然科学版) 2017年2期
李 强
(重庆邮电大学 软件学院,重庆 400065)
基于用户行为反馈的用户兴趣模型更新算法
李 强
(重庆邮电大学 软件学院,重庆 400065)
在个性化推荐系统中,用户模型是推荐系统的主要依据,模型的好坏直接影响推荐系统的质量。但是在实际的应用中,用户兴趣会随环境和时间发生变化,有可能推荐的商品已不满足用户当前的兴趣需求。本文提出了一种记录用户当前兴趣模型自我更新的算法,通过对用户历史访问数据建立用户兴趣模型,以时间为主线,统计用户当前兴趣。本文以Movielens电影数据集为数据源,在设计的个人推荐系统中应用基于用户行为反馈的用户兴趣模型更新算法,有效缓解了用户兴趣偏移的问题,提高了推荐质量。
用户兴趣模型;推荐系统;兴趣偏移
随着互联网行业的井喷式发展,网上信息量几何倍数式爆发增长。传统的搜索引擎需要用户输入关键字来对海量信息进行筛选,用户快速获取自己需求的信息变得越来越困难。面对当今“信息过载”[1]的问题,个性化推荐系统[2]应运而生,它是大数据时代的产物。相比于传统的搜索引擎,个性化推荐更人性化,它可以根据用户历史浏览行为,挖掘出用户的兴趣[2]偏好,根据用户兴趣推荐用户感兴趣的信息,从而帮助用户快速获取有用的信息资源。但是传统的推荐算法没有考虑用户兴趣变化的问题,没有挖掘用户当前和长久的兴趣,推荐有效性不高。针对以上问题,本文提出了一种记录用户当前兴趣模型自我更新的算法,以时间为主线,统计用户长期兴趣和记录用户近期兴趣变化方向,并以此为策略为用户推荐物品[3]来提高推荐系统的有效性和可靠性。……
登录APP查看全文
