论文部分内容阅读
随着推荐内容的多样化,显式反馈推荐已经不能够满足日趋复杂的推荐需求,需要使用隐式反馈推荐来加强推荐系统的适用性。但是隐式反馈推荐存在着难以理解用户喜好、缺少负反馈等问题,使用传统的矩阵分解推荐算法会出现预测结果中没有负样本,导致推荐系统不具有判断能力的问题。此外,矩阵分解推荐算法面临着数据稀疏的问题。本文针对这些问题进行深入的研究,在此基础之上提出自己的改进方法。首先,针对隐式反馈推荐中缺少负反馈的问题,提出了基于均值分割的隐式反馈推荐算法。考虑到每位用户都会存在喜欢和不喜欢的内容,本文提出均值分割方法解决缺少负反馈的问题,并使用均值分割方法改进矩阵分解推荐算法。改进后的矩阵分解推荐算法可以通过仅包括正反馈的训练集得到包括正负样本的预测结果集,使得推荐系统可以从预测结果中判断出用户喜欢和不喜欢的内容。其次,针对数据稀疏导致预测结果不准的问题,提出基于word2vec的隐式反馈推荐算法。本文在隐式反馈推荐中引入了word2vec技术,用来计算相似度,提高相似度计算方法的效率。并提出一种矩阵填充方法,使用得到的相似度对评分矩阵进行预测填充,以达到降低评分矩阵稀疏度的目的。最后,使用两种真实世界数据集对本文提出的两种推荐算法进行实验。实验结果表明本文提出的推荐算法可以解决隐式反馈推荐中缺少负反馈的问题,并降低数据的稀疏度,提高推荐结果的准确度。