基于本体用户兴趣模型的个性化推荐系统的研究

随着21世纪信息技术的不断发展和普及,Web站点已经逐渐成为人们生活中不可或缺的一部分,为人们的工作和学习带来了巨大的便利。伴随着网站的日益增多,信息量的急剧增大,传统Web站点的这种大众化"one-size-fits-all"运营模式,已经无法满足不同背景下用户的个性化需求。如何能够在五花八门的网站中脱颖而出,防止老用户的流逝,同时吸引新用户的访问,成为了各个网站系统运营商苦恼的问题。个性化信息推荐系统就是在这个背景下应运而生的,并且迅速成为近年来研究的热点。 从最初的协同过滤、基于web挖掘和领域本体,到后来的结合人工智能、分布式处理等技术,个性化推荐的研究取得了飞跃式的发展。然而就目前来说,大部分基于本体的个性化协同过滤推荐的研究还存在一定的缺点,比如：忽略了本体概念间关系的重要性,本体用户兴趣模型更新不彻底,用户兴趣本体的概念兴趣度无法随着时间的推移而遗忘等。 为了解决上述缺陷,本文基于本体提出了一种新的用户兴趣模型,结合激活扩展理论调整了兴趣模型的更新算法并引入了用户兴趣度遗忘公式。当用户的兴趣发生改变时,个性化推荐系统能够根据激活扩展推断理论对整个用户兴趣模型概念节点网络进行彻底更新。此外,通过计算用户兴趣模型的相似性,而不是用户对不同事物的评分,产生协同个性化推荐列表。最后,本文引用了苏黎世大学的信息学研究室开发、调整和维护的Movie Ontology作为电影的领域本体,采用MovieLens和IMDB电影数据集作为系统的实验数据集,设计并实现了基于本体用户兴趣模型的电影个性化推荐系统。当用户登录成功之后,系统会根据用户本体和偏好数据进行协同过滤推荐,产生个性化推荐列表展现给用户。 总体来说,目前基于本体的电影个性化推荐系统的应用还处于研究阶段,国内外针对web用户的开源推荐系统研究项目较缺乏,本文设计并实现的基于本体用户兴趣模型的电影个性化推荐系统是对这一领域研究的一次很好的尝试。