推薦系統(tǒng)中的用戶(hù)興趣模式檢測(cè)1

《推薦系統(tǒng)中的用戶(hù)興趣模式檢測(cè)1》由會(huì)員上傳分享，免費(fèi)在線(xiàn)閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫(kù)。

1、http://www.paper.edu.cn1推薦系統(tǒng)中的用戶(hù)興趣模式檢測(cè)楊杰，陳恩紅中國(guó)科學(xué)技術(shù)大學(xué)計(jì)算機(jī)系，合肥(230027)E-mail:jayyouth@ustc.edu,cheneh@ustc.edu.cn摘要：近年來(lái)推薦系統(tǒng)已經(jīng)被證明是一種非常有效的方法用以處理網(wǎng)絡(luò)上的信息過(guò)載問(wèn)題，這些推薦系統(tǒng)根據(jù)用戶(hù)以往的訪(fǎng)問(wèn)記錄為用戶(hù)興趣建模，并根據(jù)用戶(hù)興趣給用戶(hù)提供推薦項(xiàng)。然而，當(dāng)前在推薦系統(tǒng)方面的研究幾乎都忽略了用戶(hù)訪(fǎng)問(wèn)記錄的時(shí)間因素，這些系統(tǒng)在為用戶(hù)做推薦的時(shí)候并不知道用戶(hù)的興趣是否發(fā)生了改變，或者說(shuō)并不知道在推薦那一刻并不知道用戶(hù)真正需要什么。本文

2、對(duì)用戶(hù)訪(fǎng)問(wèn)記錄進(jìn)行深入分析，提出了四種典型的用戶(hù)興趣模式，并提出了一種及于子圖稠密度和連續(xù)度的方法來(lái)檢測(cè)這四種模式。實(shí)驗(yàn)結(jié)果顯示該方法可以有效檢測(cè)用戶(hù)興趣模式。關(guān)鍵詞：推薦系統(tǒng)；興趣模式；偏移檢測(cè)；序列分割中圖分類(lèi)號(hào)：TP31計(jì)算機(jī)軟件1.引言推薦系統(tǒng)常常在用戶(hù)先前訪(fǎng)問(wèn)數(shù)據(jù)、訪(fǎng)問(wèn)項(xiàng)的內(nèi)容以及用戶(hù)自身信息等基礎(chǔ)上為用戶(hù)提供他們可能感興趣的推薦項(xiàng)。目前在推薦系統(tǒng)方面有很多有意義的研究[1]，包括基于內(nèi)容的推薦（content-based）、基于協(xié)同過(guò)濾的推薦（collaborativefiltering）和混合推薦（hybridmethod）等。然而，大多數(shù)當(dāng)前的

3、研究很少關(guān)注用戶(hù)興趣上的轉(zhuǎn)變，盡管現(xiàn)實(shí)中用戶(hù)的興趣總是在發(fā)生變化。這些系統(tǒng)大都把用戶(hù)的訪(fǎng)問(wèn)數(shù)據(jù)全部同等地進(jìn)行處理，而不關(guān)心用戶(hù)的興趣是否發(fā)生了變化，也不在乎系統(tǒng)提供推薦那一刻用戶(hù)真正的興趣是什么。到目前為止，只有少數(shù)的研究考慮了時(shí)間因素和檢測(cè)用戶(hù)興趣的變化[2]。文章[3]使用關(guān)聯(lián)規(guī)則挖掘算法在基于內(nèi)容的推薦系統(tǒng)中建立興趣變化規(guī)則；文章[4]使用一種SOM（self-roganizingmap）聚類(lèi)方法來(lái)檢測(cè)用戶(hù)興趣在協(xié)同過(guò)濾系統(tǒng)中的變化。然而為了達(dá)到更好的推薦效果，實(shí)際的推薦系統(tǒng)大多采用混合的推薦模式來(lái)建立推薦系統(tǒng)，因此迫切需要一種更一般的方法來(lái)檢測(cè)用戶(hù)興趣

4、在復(fù)雜的推薦系統(tǒng)中的變化。為了提高推薦系統(tǒng)的性能，本文分析了時(shí)間相關(guān)的用戶(hù)評(píng)分?jǐn)?shù)據(jù)，并提取出四種用戶(hù)興趣模式。它們分別為：?jiǎn)我慌d趣模式（singleinterestmode），多興趣模式（multipleinterestsmode），興趣偏移模式（interestshiftingmode），隨機(jī)噪聲模式（casualnoisemode）。其中，興趣偏移模式和隨機(jī)噪聲模式存在于系統(tǒng)數(shù)據(jù)中的話(huà)將會(huì)對(duì)推薦系統(tǒng)的推薦性能造成很大的影響。于是我們把所有的項(xiàng)構(gòu)建成一個(gè)相似網(wǎng)絡(luò)圖，并且定義了用戶(hù)訪(fǎng)問(wèn)項(xiàng)子圖，以及子圖的稠密度和連續(xù)度。根據(jù)子圖的稠密度和連續(xù)度我們識(shí)別出了單一興

5、趣用戶(hù)和隨機(jī)噪聲用戶(hù)。而且我們采用基于稠密度的啟發(fā)式分段算法識(shí)別多興趣用戶(hù)和興趣偏移用戶(hù)，達(dá)到很高的準(zhǔn)確度和召回率。本文主要貢獻(xiàn)有以下幾點(diǎn)：（1）本文提出了四種用戶(hù)興趣模式，它們可以揭示出用戶(hù)興趣的變化。根據(jù)有的用戶(hù)具有單一興趣，有的用戶(hù)同時(shí)具有多個(gè)用戶(hù)，有的用戶(hù)興趣發(fā)生改變，而有些用戶(hù)的訪(fǎng)問(wèn)數(shù)據(jù)類(lèi)似隨機(jī)噪聲，我們提出四種模式，縮寫(xiě)為：SIM，MIM，ISM，CNM。（2）我們提出了一種方法根據(jù)用戶(hù)的訪(fǎng)問(wèn)記錄來(lái)檢測(cè)用戶(hù)的興趣模式。首先我們?cè)诔砻芏群瓦B續(xù)度的基礎(chǔ)上設(shè)置了閾值來(lái)識(shí)別單一興趣用戶(hù)和隨機(jī)噪聲用戶(hù)。隨后采用一種基于稠密度的分割算法識(shí)別多興趣用戶(hù)和興趣偏移

6、用戶(hù)。實(shí)驗(yàn)結(jié)果顯示我們的方法在精確度、召回率和F-值方面都有超過(guò)90%的得分。1本課題得到國(guó)家教育部基于“中國(guó)科技論文在線(xiàn)”模式的科技論文網(wǎng)絡(luò)發(fā)表平臺(tái)的個(gè)性化服務(wù)研究，教育部博士點(diǎn)基金項(xiàng)目（2007105）的資助。-1-http://www.paper.edu.cn本文的剩余部分組織如下：第二節(jié)我們首先介紹了推薦系統(tǒng)中項(xiàng)具有的相似度特性，接著在此特性基礎(chǔ)上根據(jù)用戶(hù)的訪(fǎng)問(wèn)行為概括出了四種用戶(hù)的訪(fǎng)問(wèn)模式，包括單興趣、多興趣、興趣偏移和隨機(jī)噪聲模式。然后我們給出了用戶(hù)訪(fǎng)問(wèn)項(xiàng)子圖及其稠密度和連續(xù)度的定義，并在兩者基礎(chǔ)上給出了稠密度和連續(xù)度的閾值來(lái)識(shí)別單興趣模式和隨機(jī)噪

7、聲模式，更進(jìn)一步本文提出了基于稠密度的啟發(fā)式分割算法來(lái)檢測(cè)興趣偏移，從而識(shí)別興趣偏移模式和多興趣模式。第三節(jié)我們?cè)谀M數(shù)據(jù)上做了一些實(shí)驗(yàn)來(lái)識(shí)別四種模式，結(jié)果顯示我們的方法對(duì)識(shí)別用戶(hù)訪(fǎng)問(wèn)模式具有相當(dāng)好的性能。第四節(jié)中本文詳細(xì)介紹了一些與用戶(hù)興趣偏移檢測(cè)相關(guān)的研究工作。最后一節(jié)對(duì)本文進(jìn)行總結(jié)并給出了我們的結(jié)論。2.興趣模式2.1項(xiàng)的相似性網(wǎng)絡(luò)先前的研究[5，6]顯示項(xiàng)之間存在相似性。我們從MovieLens數(shù)據(jù)集（詳細(xì)描述在3.1小節(jié)）中選取了一些電影作為例子。表1給出了這些電影以及它們具有類(lèi)型的描述。對(duì)于電影Mi和Mj，它們的類(lèi)型用Gi和Gj表示，則電影Mi與M

8、j的相似度可以定義為：

9、GIG

10、ijs