基于社交網絡的用戶偏好漂移建模.pdf

1、用戶的偏好會隨著時間的變化而發(fā)生改變,這種現象被稱之為用戶偏好漂移,用戶偏好漂移的存在使得推薦系統(tǒng)為用戶做出符合用戶偏好的推薦變得困難。推薦系統(tǒng)如果沒有考慮到用戶偏好漂移的問題,則當系統(tǒng)中不斷有新的對象出現,用戶的偏好已經發(fā)生改變時,推薦系統(tǒng)仍會向用戶推薦和他們曾經喜歡的對象類似的對象。實踐經驗表明,處理概念漂移的時間權值的方法不適用于推薦系統(tǒng)中,該方法認為用戶新的數據比老的數據重要,因此賦予老的數據比較低的權值,新的數據比較高的權值。

2、因為老的數據代表了用戶的長期的不易改變的偏好,新的數據代表了用戶短期的容易改變的偏好,所以我們需要設計一種同時兼顧用戶的長期偏好和短期偏好的推薦算法以提高推薦的準確性。
　　本文主要討論0-1推薦系統(tǒng)中的用戶偏好漂移問題,在0-1推薦系統(tǒng)中,用戶若對對象采取過某個行為,則記用戶對該對象的評價為1,否則沒有評價。
　　目前為止,多數的推薦算法在計算相似度時假設用戶給對象的評價是1到5之間的整數,不適用于用戶對對象的評價只有1的

3、情況?，F實中很多系統(tǒng)都屬于0-1推薦系統(tǒng),因此我們針對該類型的系統(tǒng)提出了幾種新的相似度的計算方法。社會中的潮流總是由社會成員中的小部分人發(fā)起,本文稱這些人為潮流發(fā)起者,從潮流發(fā)起者上獲得的潮流信息可以代表用戶的短期偏好。我們首先提出了一種新的尋找潮流發(fā)起者的算法以在社交網絡中發(fā)現潮流發(fā)起者,然后提出了一個新的推薦算法,該算法結合用戶的偏好信息和潮流信息向用戶做出推薦。在LastFM數據集上進行的一系列實驗表明,相對于經典的協同過濾方法和