基于社交網(wǎng)絡(luò)的用戶偏好漂移建模.pdf

1、用戶的偏好會(huì)隨著時(shí)間的變化而發(fā)生改變,這種現(xiàn)象被稱之為用戶偏好漂移,用戶偏好漂移的存在使得推薦系統(tǒng)為用戶做出符合用戶偏好的推薦變得困難。推薦系統(tǒng)如果沒有考慮到用戶偏好漂移的問題,則當(dāng)系統(tǒng)中不斷有新的對(duì)象出現(xiàn),用戶的偏好已經(jīng)發(fā)生改變時(shí),推薦系統(tǒng)仍會(huì)向用戶推薦和他們?cè)?jīng)喜歡的對(duì)象類似的對(duì)象。實(shí)踐經(jīng)驗(yàn)表明,處理概念漂移的時(shí)間權(quán)值的方法不適用于推薦系統(tǒng)中,該方法認(rèn)為用戶新的數(shù)據(jù)比老的數(shù)據(jù)重要,因此賦予老的數(shù)據(jù)比較低的權(quán)值,新的數(shù)據(jù)比較高的權(quán)值。

2、因?yàn)槔系臄?shù)據(jù)代表了用戶的長(zhǎng)期的不易改變的偏好,新的數(shù)據(jù)代表了用戶短期的容易改變的偏好,所以我們需要設(shè)計(jì)一種同時(shí)兼顧用戶的長(zhǎng)期偏好和短期偏好的推薦算法以提高推薦的準(zhǔn)確性。
　　本文主要討論0-1推薦系統(tǒng)中的用戶偏好漂移問題,在0-1推薦系統(tǒng)中,用戶若對(duì)對(duì)象采取過某個(gè)行為,則記用戶對(duì)該對(duì)象的評(píng)價(jià)為1,否則沒有評(píng)價(jià)。
　　目前為止,多數(shù)的推薦算法在計(jì)算相似度時(shí)假設(shè)用戶給對(duì)象的評(píng)價(jià)是1到5之間的整數(shù),不適用于用戶對(duì)對(duì)象的評(píng)價(jià)只有1的

3、情況。現(xiàn)實(shí)中很多系統(tǒng)都屬于0-1推薦系統(tǒng),因此我們針對(duì)該類型的系統(tǒng)提出了幾種新的相似度的計(jì)算方法。社會(huì)中的潮流總是由社會(huì)成員中的小部分人發(fā)起,本文稱這些人為潮流發(fā)起者,從潮流發(fā)起者上獲得的潮流信息可以代表用戶的短期偏好。我們首先提出了一種新的尋找潮流發(fā)起者的算法以在社交網(wǎng)絡(luò)中發(fā)現(xiàn)潮流發(fā)起者,然后提出了一個(gè)新的推薦算法,該算法結(jié)合用戶的偏好信息和潮流信息向用戶做出推薦。在LastFM數(shù)據(jù)集上進(jìn)行的一系列實(shí)驗(yàn)表明,相對(duì)于經(jīng)典的協(xié)同過濾方法和