推薦系統(tǒng)的TagIEA專家度模型及其推薦方法研究.pdf

1、在Internet快速普及的進(jìn)程中，電子商務(wù)等信息呈現(xiàn)服務(wù)正在以難以置信的速度急速發(fā)展?？蛻裘鎸@些信息呈現(xiàn)服務(wù)中的眾多選擇，從中挑選出自己真正需要和喜歡的項目已成為一個重要需求。近年來興起的推薦系統(tǒng)成為解決這些問題的重要途徑之一。目前推薦系統(tǒng)在電子商務(wù)和多媒體評價等服務(wù)領(lǐng)域已經(jīng)被廣泛應(yīng)用，但它仍存在一些難題，其中最為嚴(yán)重的是稀疏性問題、冷啟動問題。此外，推薦系統(tǒng)的推薦效果的好壞，也是最大程度影響推薦系統(tǒng)的應(yīng)用情況的因素。
　　本

2、文首先研究了推薦系統(tǒng)及其遇到的問題，然后提出了一種在推薦系統(tǒng)中的社會化背景下的TagIEA專家度模型，該模型能夠一定程度上緩解稀疏性問題和冷啟動問題，它分為因素度量層、因素融合層和專家度影響層。在因素度量層中定義專家度的4個評價因素，即包括受信影響度、評分積極度、標(biāo)簽積極度和評分準(zhǔn)確度后，在因素融合層中融合各因素來得出專家度數(shù)值，最后按照專家度影響層中的定義來影響項目評分，進(jìn)而影響推薦結(jié)果。
　　提出TagIEA專家度模型后，本文

3、研究了如何通過TagIEA專家度模型來預(yù)測評分和得到推薦結(jié)果。本文先通過應(yīng)用該模型來預(yù)測評分并填充到評分矩陣中，然后在填充過的評分矩陣的基礎(chǔ)上，結(jié)合標(biāo)簽相似度來計算用戶相似度，對協(xié)同過濾算法做出了改進(jìn)。最后，將兩種推薦方法進(jìn)行結(jié)合后產(chǎn)生了綜合推薦結(jié)果。
　　文章最后對所提出的模型和推薦方法進(jìn)行了實驗，實驗表明，基于TagIEA專家度模型的推薦方法的效果，要比傳統(tǒng)協(xié)同過濾算法的效果更好。此外，文章設(shè)計并實現(xiàn)了基于上述模型的參考原型，