论文部分内容阅读
互联网上的海量信息给人们提供了丰富的信息来源，但是这也造成了信息过载的问题。推荐系统能够主动帮助用户获取想要的信息，极大的方便了人们的生活。近些年推荐系统得到了广泛的应用，同时也成为了人们的研究热点。 协同过滤算法是推荐系统的经典算法，许多新的算法也是在此基础之上进行了改进。这些模型的准确率或召回率得到了不同程度的提高，但是单一指标的提高越来越无法满足用户的需求。目前许多推荐系统研究主要针对静态的数据，然而用户的兴趣与时间有着密切的联系。为了挖掘物品与时间的联系，给用户推荐喜欢的物品，同时还能够挖掘用户的潜在兴趣。本文围绕着推荐的准确性、多样性、用户的兴趣变化等问题进行研究，研究工作主要包括以下几个方面： （1）为了解决推荐系统的准确性和提高推荐物品的多样性问题。本文提出了GP混合推荐模型，它将GLSLIM模型和PLSA模型产生的推荐列表进行合并，然后把两种算法计算得出的推荐结果通过合适的权重因子结合，产生一组新的推荐列表。它可以向用户推荐想要商品的同时还可以挖掘用户的潜在兴趣，从而更好的满足用户的需求。 （2）针对用户对产品兴趣随时间产生的变化。本文改进了时间函数，并将其引入到GP混合推荐模型的评分矩阵中，形成T-GP模型（融合时间的混合推荐算法）。这样不仅可以更合理的给用户推荐喜欢的商品，还能将不感兴趣和已过时的商品过滤，从而优化推荐结果。 本文在实验部分采用的是公开的Movielens数据集，通过推荐结果的平均绝对误差（MAE）和召回率（RECALL）来对比本文算法和传统算法之间的差异。T-GP模型利用时间因子降低影响推荐精度的噪声，通过混合模型来改善推荐结果。最后实验结果表明本文提出的算法比传统的算法在这两个评价指标上更具有优越性。