運用隱式反饋的基于時間的推薦系統(tǒng)

1、運用隱式反饋的基于時間的推薦系統(tǒng) (2010-10-14 10:31:29)轉(zhuǎn)載標簽：矩陣商品過濾數(shù)據(jù)集it分類：個性化推薦與搜索推薦系統(tǒng)為用戶提供個性化的產(chǎn)品或者服務。協(xié)同過濾是一種在其他用戶對商品的顯式評分數(shù)據(jù)集的基礎(chǔ)上廣泛使用的個性化推薦算法。然而在電子商務環(huán)境，譬如移動環(huán)境，很難收集顯式數(shù)據(jù)，只能獲取隱式數(shù)據(jù)。與傳統(tǒng)方法不一樣，考慮根據(jù)隱式數(shù)據(jù)，將其轉(zhuǎn)換成評分數(shù)據(jù)。在構(gòu)建偽評分數(shù)據(jù)矩陣時，加入時序信息，譬如用戶購買商品時間，商品上架時間，從而提高推薦的準確性。隨著電子商務的發(fā)展，出現(xiàn)了很多推薦系統(tǒng)。這些系統(tǒng)為用戶提供個性化的商品和服務，從而為用戶減少尋找正確的商品節(jié)省更多的時間。協(xié)同過

2、濾是一種廣泛應用和證明可以提供推薦服務的方法。很多基于協(xié)同過濾的推薦系統(tǒng)依賴于從用戶那里收集的顯式反饋。評分和評價是典型的顯式反饋。由于評分比評論更加容易量化，在實際中大多數(shù)協(xié)同過濾算法使用評分數(shù)據(jù)。協(xié)同過濾算法，主要專注于使用評分數(shù)據(jù)計算用戶之間或者商品之間的相似性。對于基于協(xié)同過濾的推薦系統(tǒng)來說，推薦的質(zhì)量依賴于反饋的質(zhì)量。當用戶客觀真實地評價，使用評分信息是最好的量化用戶喜好的方法之一。然而，很多用戶是隨意的評分，這樣就不能正確地反映他們的意見。在某些環(huán)境下，獲取顯式反饋是非常困難的。譬如，在移動環(huán)境中，服務費是根據(jù)連接的時間段來收費的。為了減少費用，用戶希望盡可能的減少連接時間。因此，

3、期望用戶積極參與到評分中是不切實際的。在這種情況下，更多的依賴于隱式反饋。隱式反饋的數(shù)據(jù)量往往是海量的。然而，其中能夠用于推薦中的數(shù)據(jù)又是相對很小，必須通過預處理進行抽取。這種基于日志的推薦系統(tǒng)可能不適合大型電子商務環(huán)境中的實時推薦。在某些電子商務環(huán)境中，推薦的準確性非常重要。例如，移動設備的顯式尺寸還是很有限。推薦系統(tǒng)應該提供少量的非常相關(guān)的商品，從而適合屏幕顯示。1根據(jù)用戶的隱式反饋數(shù)據(jù)為協(xié)同過濾構(gòu)建偽評分數(shù)據(jù)矩陣。在構(gòu)建偽評分數(shù)據(jù)時，加入時序信息，用戶購買時間和商品上架時間，用以增強推薦的準確性。2在這種基于時序信息的方法的協(xié)同過濾的基礎(chǔ)上，開發(fā)移動電子商務環(huán)境相愛的推薦系統(tǒng)基于時序信息

4、的偽評分矩陣根據(jù)用戶購買信息建立偽評分矩陣，在該矩陣中用戶A購買商品1,3和4.；用戶B購買了商品2和3；用戶C購買了商品1和4。商品上架時間和用戶購買時間PTime表示用戶購買商品的時間，LTime表示商品上架時間基于時間的偽評分數(shù)據(jù)矩陣(1)越是最近的購買越能夠反映用戶的當前喜好(2)最近上架的商品能夠吸引更多的用戶在這兩個觀察的基礎(chǔ)上，定義評分函數(shù)W，計算評分值：W（pi，lj）=上架時間為lj的商品在pi時被購買的分值計算步驟：（1）收集隱式反饋數(shù)據(jù)：收集兩種類型的數(shù)據(jù)，用戶購買數(shù)據(jù)集和商品上架時間數(shù)據(jù)集（2）構(gòu)建偽評分矩陣：根據(jù)定義的評分函數(shù)，構(gòu)建偽評分矩陣。評分函數(shù)依賴于要被推薦的商品或者服務。如果用戶對商品上架時間敏感，就應該給新商品更高的權(quán)重；