作为解决信息过载问题的有效方式,推荐系统能够根据用户偏好对海量信息进行过滤,为用户提供个性化的推荐。对如何利用隐式反馈数据进行个性化推荐进行了研究,提出了一种融合上下文信息和用户社交信息的隐式反馈推荐模型(Implicit Feedback Recommendation Model Fusing Context-aware and Social Network Process,IFCSP)。首先从数据集中提取与用户兴趣相关的上下文信息的属性集合,并以此作为分裂属性,使用决策树分类算法对"用户-产品-上下文"集合进行分类,从而将历史选择集合分组。对于要推荐的用户,根据其选择产品时的上下文信息,匹配最相似的分组,再使用基于隐式反馈的推荐模型(Implicit Feedback Recommendation Model,IFRM)预测用户对未选择产品的偏好,并结合用户的社交信息,进而对用户进行产品推荐。实验表明,该模型在平均正确率均值(MAP)和平均百分百排序(MPR)评价指标上均优于其他4种算法,可以显著提高系统的预测和推荐质量。
针对传统的基于协同过滤的移动服务推荐方法存在的数据稀疏性和用户冷启动问题,提出一种基于上下文相似度和社会网络的移动服务推荐方法(Context-similarity and Social-network based Mobile Service Recommendation,CSMSR).该方法将基于用户的上下文相似度引入个性化服务推荐过程,并挖掘由移动用户虚拟交互构成的社会关系网络,按照信任度选取信任用户;然后结合基于用户评分相似度计算发现的近邻,分别从相似用户和信任用户中选择相应的邻居用户,对目标用户进行偏好预测和推荐.实验表明,与已有的服务推荐方法 TNCF、SRMTC及CF-DNC相比,CSMSR方法有效地缓解数据稀疏性并提高推荐准确率,有利于发现用户感兴趣的服务,提升用户个性化服务体验.
