基于用户兴趣变化融合的个性化推荐模型

被引：7

作者：

刘春 ^{[1
]}

梁光磊 ^{[2
]}

谭国平 ^{[3
]}

机构：

[1] 中国电信股份有限公司广东研究院IT运营支撑部

[2] 华南理工大学计算机学院

[3] 河海大学计算机与信息学院

来源：

计算机工程与设计 | 2013年 / 34卷 / 08期

关键词：

用户偏好; 游戏推荐; 协同过滤; 时间因子; 本体论概念;

D O I：

10.16208/j.issn1000-7024.2013.08.048

中图分类号：

TP391.3 [检索机];

学科分类号：

摘要：

移动互联网的发展带来了大量的应用,提供个性化服务和个性化推荐是解决用户"应用迷航"的有效手段,针对与某电信运营商"游戏"应用平台类似的应用商店领域,提出了一种融合的个性化推荐解决方案。该方案通过对用户行为日志的分析生成用户的兴趣偏好模型,同时引入时间因子反映用户兴趣的漂移,将基于用户偏好分析的推荐方法与基于物品的协同过滤算法相结合形成了融合的个性化推荐模型。实验对比结果表明,该模型避免了两算法之不足,发挥了两算法的优势,有效地提高了该应用平台的综合推荐性能。

引用

页码：2944 / 2950

页数：7

共 18 条

[1]

推荐系统实践[M]. 人民邮电出版社 , 项亮, 2012

[2]

Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions. Gediminas Adomavicius,Alexander Tuzhilin. IEEE Transactions on Knowledge and Data Engineering . 2005

[3]

Empirical analysis of predictive algorithms for collaborative filtering. Breese J,Hecherman D,Kadie C. Proceedings of the 14th Conference on Uncertainty in Artificial Intelligence . 1998

[4]

Item-based top-n recommendation algorithms. Mukund Deshpande,George Karypis. ACM Transactions on Information Systems . 2004

[5]

Bipartite network projection and personal recommendation. Zhou T,Ren J,Medo M,et al. Physical Review . 2007

[6]

Scalable collaborative filtering with jointly derived neighborhood interpolation weights. Bell R,Koren Y. IEEE International Conference on Data Mining . 2007

[7]

A study of recommender systems on a latent probabilistic space model. Takeshi Suzuki,Gendo Kumoi,Kenta Mikawa,et al. Proceedings of 12th Asia Pacific Industrial Engineering&Management Systems Conference . 2011

[8]

Netflix update:Try this at home. Simon Funk. http://sifter.org/-simon/journal/20061211.html[200612-11]

[9]

Grand prize awarded to team BellKor’’s pragmatic chaos. Netflix HQ. http://www.netflixprize.com//community/viewtopic.php?id=1537 . 2006

[10] 个性化推荐系统的研究进展 [J].

刘建国 ;

周涛 ;

汪秉宏 .

自然科学进展, 2009, 19 (01) :1-15

← 1 2 →