融合用户行为分析和兴趣序列相似性的个性化推荐方法研究

[目的/意义]将基于时间信息的用户兴趣序列引入推荐方法之中可以动态获取用户的兴趣偏好,提高推荐质量.[方法/过程]首先,通过用户对资源的访问顺序得到用户兴趣序列,并提取用户访问记录之间的最长公共兴趣子序列(LCISS)和全部公共兴趣子序列(ACISS),以此为基础计算用户之间的兴趣序列相似性;然后对用户行为量化,得到用户—项目评分矩阵;最后,将用户兴趣序列相似性与用户相似性度量相结合,提出了基于用户兴趣序列的改进协同过滤推荐方法.[结果/结论]文章提出的方法与基于用户协同过滤推荐和混合推荐方法在实验数据集进行比较,实验结果发现该方法在推荐效果上优于对比方法.此外,通过实验数据分析了推荐方法中的参数取值对推荐效果的影响.[局限]由于动态获取用户兴趣序列的变化,使得当用户数量及访问资源增多时,推荐的时间复杂度上升.