灵活适应不同业务的个性化推荐系统研究

doi:10.3969/j.issn.1000-0801.2014.08.019

摘要/Abstract

摘要：

互联网技术的迅速发展，尤其是以个性化为主要特点的Web 2.0的不断成熟，使得大量信息同时呈现在人们面前，个性化推荐技术的价值日益凸显。提出了一种灵活适应不同业务的个性化推荐系统设计方案，采集并分析用户的所有显式行为和隐式行为，结合用户行为配置文件和熵值法分析用户对物品的兴趣度，并引入时间遗忘函数，解决用户兴趣漂移问题，然后基于协同过滤技术得到用户的个性化推荐列表。通过实际数据进行测试，给出了系统推荐效果评估分析。

关键词: 个性化推荐系统, 用户兴趣分析, 熵, 兴趣漂移, 协同过滤

Abstract:

The rapid development of internet technology, especially the developed of Web 2.0 which has the main feature of personality, making a lot of information in front of people at the same time. The value of personalized recommendation technology has become increasingly prominent. A design of personalized recommender system adapting to different business was presented, including the collection and analysis of user's all explicit and implicit behavior, using user behavior profiles and entropy method to determine the weight of the behavior for analyzing user interest, the introduction of time forgetting function to solve the problem of user interest drift, and getting a list of the user's personalized recommendation based on collaborative filtering technology. Finally, the system test assessment analysis based on the actual data was provided.

Key words: personalized recommender system, user interest analysis, entropy, interest drift, collaborative filtering

陶彩霞,袁海,陈康,马安华. 灵活适应不同业务的个性化推荐系统研究[J]. 电信科学, 2014, 30(8): 131-135.

Caixia Tao,Hai Yuan,Kang Chen,Anhua Ma. Research on Personalized Recommender System Adapting to Different Business[J]. Telecommunications Science, 2014, 30(8): 131-135.

图/表 6

图1

表1

图2

图3

图4

图5

参考文献 9

1	王国霞, 刘贺平 . 个性化推荐系统综述. 计算机工程与应用, 2012, 48(7): 66～76
2	Koychev I , Schwab I . Adaptation to drifting user's interests. Proceedings of ECML2000/MLnet Workshop on Machine Learning in the New Information Age， Barcelona, Catalonia, Spain， 2000
3	李宁, 王子磊, 吴刚等. 个性化影片推荐系统中用户模型研究. 计算机应用与软件, 2010, 27(12): 51～54
4	马宏伟, 张光卫, 李鹏 . 协同过滤推荐算法综述. 小型微型计算机系统, 2009, 30(7): 1282～1288
5	丁振国, 陈静 . 基于关联规则的个性化推荐系统. 计算机集成制造系统, 2003, 9(10): 891～893
6	吴兵, 叶春明 . 基于效用的个性化推荐方法. 计算机工程, 2012, 38(4): 49～51
7	刘平峰, 聂规划, 陈冬林 . 基于知识的电子商务智能推荐系统平台设计. 计算机工程与应用, 2007, 43(19): 199～201
8	Goldberg D , Nichols , Oki B M , et al. Using collaborative filtering to weave an information tapestry. Communications of the ACM, 1992, 35(12): 61～70
9	林霜梅, 汪更生, 陈弃秋 . 个性化推荐系统中的用户建模及特征选择. 计算机工程, 2007(9)

业务类别	用户行为
游戏	下载、收藏、分享、推荐、评论、评分、使用频率、搜索、在线时长
视频	观看时长、收藏、搜索、评论、评分、分享、推荐
电商	浏览、加入购物车、购买、收藏、评论、评分、搜索、点击、分享、推荐

[1]	骆琼华, 王鸿奎, 殷海兵, 邢亚芬. 基于熵掩蔽的DCT域恰可察觉失真模型[J]. 电信科学, 2023, 39(2): 59-70.
[2]	诸葛斌, 尹正虎, 斯文学, 颜蕾, 董黎刚, 蒋献. 基于学生知识追踪的多指标习题推荐算法[J]. 电信科学, 2022, 38(9): 129-143.
[3]	李攀攀, 谢正霞, 王赠凯, 靳锐. 开放互联网环境基于信息熵的信息传播影响力计算方法[J]. 电信科学, 2022, 38(4): 90-100.
[4]	邢亚芬, 殷海兵, 王鸿奎, 骆琼华. 基于视频时域感知特性的恰可察觉失真模型[J]. 电信科学, 2022, 38(2): 92-102.
[5]	刘再生, 倪霏, 李荣鹏, 张宏纲, 刘畅, 张解放, 谢松云. 基于持续同调性的人脑认知过程格式塔模式识别拓扑分析[J]. 电信科学, 2021, 37(7): 77-85.
[6]	钟其柱. 基于熵值和模糊层次法评估媒体流的研究及应用[J]. 电信科学, 2020, 36(4): 145-153.
[7]	张科,孙越佳,韩海. 基于协同过滤与社交网络混合算法的客户信用建模及授信方法[J]. 电信科学, 2020, 36(2): 52-60.
[8]	陈小峰,赵雅迪,张利鹏,朱峰. 电力潜在敏感客户预测的大数据方法应用[J]. 电信科学, 2019, 35(11): 117-124.
[9]	陈铁明, 项彬彬, 吕明琪, 陈波, 江颉. 基于字节码图像和深度学习的Android恶意应用检测[J]. 电信科学, 2019, 35(1): 9-17.
[10]	徐博文,王晓东,郭磊,王健. 基于幻方变换的HEVC熵编码加密方案[J]. 电信科学, 2018, 34(3): 95-104.
[11]	马思伟,罗法蕾,黄铁军. AVS2视频编码标准技术特色及应用[J]. 电信科学, 2017, 33(8): 1-15.
[12]	李斐,陈恳,李萌,郭春梅. 一种基于运动相似熵的人群异常行为检测[J]. 电信科学, 2017, 33(5): 90-98.
[13]	汪敏娟,嵇正鹏,吕超. 基于预测度量值的IPTV用户行为规则预测算法[J]. 电信科学, 2016, 32(5): 160-165.
[14]	冯建利,雒明世,张效民. 装甲目标毫米波被动探测信号熵特征提取及仿真分析[J]. 电信科学, 2016, 32(1): 93-97.
[15]	王铭鑫,周华春,陈佳,张宏科. 一种SDN中基于熵值计算的异常流量检测方法[J]. 电信科学, 2015, 31(9): 83-89.