论文部分内容阅读
随着信息技术的蓬勃发展,信息资源数量也呈指数级增长,越来越多的信息资源一方面给商业决策、居民生活提供了更多的帮助与便利,另一方面也增加了信息的选择使用成本,带来了严重的信息泛滥问题。个性化推荐技术是应对信息泛滥问题的有效手段,目前在许多领域已经建立了若干个性化推荐系统,但大多数推荐系统并未对用户的权限加以区分,默认用户具有访问所有信息的权限。这种方式在构建推荐模型时可带来一定便利,但在某些应用场景下会带来一定不足。本文按照信息是否具有访问权限的限制,将信息分为两类,非权限信息与权限信息,以目前应用最为广泛的协同过滤技术为基础,对上述两种信息的个性化推荐问题展开研究,主要工作概括如下:1.比较详细地阐述了个性化推荐相关的理论和技术,包括推荐系统框架、推荐算法、算法评测等。2.针对非权限信息的个性化推荐问题,分析了协同过滤技术在该类信息推荐上的不足,针对性地提出了一种基于协同过滤的Logistic混合推荐算法。该算法是一种层叠式的混合推荐算法,首先利用协同过滤技术得到粗糙的推荐结果,然后利用Logistic回归模型对推荐结果做进一步判断。实验表明针对非权限信息的个性化推荐问题该算法具有较好的推荐效果。3.针对权限信息的个性化推荐问题,分析了协同过滤技术在该类信息推荐上的不足,针对性地提出了一种基于权限的协同过滤混合推荐算法。该算法以协同过滤为基础,结合用户特征,将用户对不同权限信息的历史评价分开处理以提高用户相似度计算的精度,进而提高初始预测结果的质量,然后对预测结果做进一步的权限判别,确保向用户推荐的信息权限没有超出用户权限范围。实验表明针对权限信息的个性化推荐问题该算法具有较好的推荐效果。