当前位置：问答库＞论文摘要

社会化标签的广泛应用使得基于社会化标签的个性化推荐技术也有着广泛的应用前景。协同过滤推荐技术在个性化推荐领域中应用最早最广泛，目前协同过滤推荐模型可以分为两类，分别为基于评分相似度的K近邻模型和基于隐向量的推荐模型。其中，基于评分相似度的K近邻模型应用广泛，且较易实现，因此本文主要对基于评分相似度的推荐模型进行分析和研究。针对该推荐模型存在的数据稀疏性问题，本文提出了将社会化标签相似度与评分相似度相结合，以及将面向用户和面向项目相结合的推荐方法。论文主要内容如下：1. 基于评分相似度的K近邻模型研究。对基于评分相似度的K近邻模型推荐技术（包括评分相似度的计算、面向用户的推荐模型和面向项目的推荐模型等）进行了研究，并对该模型进行了实验和分析，指出了该模型存在的问题。2. 基于标签相似度和评分相似度的K近邻模型研究。由于推荐系统中的评分数据存在数据稀疏性问题，对推荐精度造成了较大的影响。结合社会化标签可以更加准确地描述用户和项目，弥补仅使用评分相似度的推荐模型在这方面的不足。因此本文对社会化标签和标签相似度进行了研究和分析，对基于标签相似度的K近邻模型进行建模；同时结合评分信息，分别建立面向用户和面向项目的两个推荐模型；并进行了实验验证。3. 基于社会化标签的面向用户和面向项目相结合的K近邻模型研究。面向用户和面向项目的推荐模型是个性化推荐系统中最早使用也是最常用的两种方法，分别有各自的优点。本文对两种方法的优点进行了分析，提出了一种在建模过程中结合面向用户和面向项目的信息共同计算用户和项目近邻集合的方法。实验结果表明，该方法能够在一定程度上提高个性化推荐系统的推荐精度。论文提出的基于标签相似度和评分相似度的推荐模型以及面向用户和面向项目相结合的推荐模型，在推荐精度上相比传统推荐模型有一定提高，并且在弥补数据稀疏性问题上有一定效果。