互联网技术的快速发展导致数据量呈现爆炸式增长,引发了信息过载问题。在电子商务领域,随着商品数量和种类的快速增长,用户需要浏览大量无关的商品和信息来寻找符合自己需求的商品,而推荐系统的应用有效缓解了信息过载问题并为用户提供了个性化推荐服务。传统的推荐系统研究主要以用户与物品之间的关系为基础,通过分析用户的行为信息或评价数据预测用户购买意向和需求,但无法根据用户随时间不断变化的需求偏好做出准确的推荐。时间因素在推荐系统中的影响是不可忽略的,而现有针对推荐系统中动态因素研究的不足在一定程度上制约了其发展。因此本文在现有推荐算法的基础上考虑时间因素的影响,通过融合物品热度的时间衰减特性,对现有推荐算法进行了改进,并在真实电子商务数据集上进行实验研究,以验证方法的有效性。主要工作包括以下两个方面:(1)协同过滤算法由于能够准确预测用户的需求,在推荐系统领域得到了广泛的应用。但传统的协同过滤推荐算法在推荐过程中忽略时间因素的影响,导致推荐结果准确度比较低,基于此,本文针对物品热度时间衰减特性对推荐结果的影响,提出了基于物品热度随时间衰减的协同过滤算法(Collaborative filtering algorithm based on item heat decay over time,CF-IHDT)。CF-IHDT在传统基于项目的协同过滤算法基础上考虑物品热度随时间衰减的影响。通过对牛顿冷却定律进行改进,得到可以匹配物品热度随时间衰减的指数函数,在计算物品相似度和预测用户偏好时考虑物品热度的影响完成推荐。将算法应用于真实的电子商务网站用户购物数据中,实验结果显示,CF-IHDT相较于传统基于项目的协同过滤算法在推荐准确度上得到了提升。(2)传统的协同过滤算法本身无法避免数据稀疏以及冷启动等问题的影响,而混合矩阵分解算法(Light FM)可以很好地适应数据稀疏和冷启动等应用场景。本文在CF-IHDT已经取得不错的推荐效果的基础上,考虑物品热度时间衰减特性的影响,提出了基于物品热度随时间衰减的Light FM算法(Light FM algorithm based on item heat decay over time,LFM-IHDT)。LFM-IHDT在原有Light FM推荐算法的基础上,利用提出的可以匹配物品热度随时间衰减的指数函数,计算出物品热度作为物品的特征项嵌入用户兴趣偏好预测公式,最终得出用户对物品的匹配分数预测用户需求偏好。通过实验对比发现,在Light FM算法基础上做出的改进取得了显著的效果。
暂无评论