读图时代带来了图符信息过载问题,推荐系统能够有效地缓解信息过载,为用户提供个性化的推荐服务。推荐算法是推荐系统的灵魂,协同过滤算法是目前应用最为有效且经典的推荐算法之一,但仍然面临着用户-项目数据稀疏问题、冷启动问题、用户兴趣变化问题。针对协同过滤算法存在的上述问题以及进行图符推荐应用的需要,本文对协同过滤算法及其在图符推荐系统中的应用进行了研究,主要研究内容如下:1.针对用户数据稀疏问题以及未能考虑用户兴趣随时间变化问题,提出了一种基于用户兴趣扩散及时间相关度的改进协同过滤算法(An Improved Collaborative Filtering Algorithm Based on User Interest Diffusion and Time Correlation,UIDFT)。算法计算了用户兴趣的直接相似度和扩散相似度,通过参数调整得出用户兴趣综合相似度,有效地缓解了用户数据稀疏问题,同时引入了改进的时间相关度函数应用于用户兴趣相似度计算,以提升推荐的质量。2.针对图符项目数据稀疏及冷启动问题,结合图符特征的提取技术,提出了一种基于项目图像特征及项目评分时间相关度的协同过滤推荐算法(Collaborative Filtering Recommendation Algorithm Fusing Item Image Features and Time Correlation,IFTCF)。利用图符的图像特征值计算图符之间的相似度,将图符自身特征信息利用起来,有效地缓解了图符项目冷启动问题,同时算法将改进的项目时间相关度函数引入项目相似度计算,以更好的进行图符推荐。3.设计和实现了“和趣”图符推荐系统,作为UIDFT算法和IFTCF算法的应用场景,为用户提供个性化图符推荐服务,让用户可以更快捷地找到感兴趣的图符。
暂无评论