資源描述：
《基于LBS的個性化推薦算法.pdf》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、學(xué)術(shù)探討基金項目2014年第1-2期基于LBS的個性化推薦算法楊袁偉麻旺勇沈張果(湖州師范學(xué)院信息與工程學(xué)院，浙江湖州313000)[摘要]針對傳統(tǒng)的協(xié)同過濾算法存在用戶冷啟動、對位置變化不敏感等問題，我們提出了一套較為完善的應(yīng)用于移動商務(wù)的基于LBS（LocationBasedService）的個性化推薦算法。本算法利用了位置感知和經(jīng)典的協(xié)同過濾算法，引入距離變量借鑒多屬性決策理論得出較為完善的推薦列表。實驗證明本算法具有較強可行性。[關(guān)鍵詞]LBS；協(xié)同過濾；多屬性決策；個性化推薦本算法基于LBS[3
2、]則需要考慮用戶當(dāng)前的即時位置，我1．引言們將距離信息作為一個參數(shù)變量，納入到個性化推薦算法之大多數(shù)人的個性化推薦的定義[1]是由Resinck&Varian在中。利用指數(shù)衰減方程公式1計算用戶u對項目i的偏好程1997年給出的。隨著移動互聯(lián)網(wǎng)的發(fā)展，國內(nèi)外研究個性化度受距離的影響值。其λ中的值是經(jīng)過反復(fù)的正負修正[4]得推薦算法的學(xué)者不在少數(shù)。Belkin和Croft對Cognitivefilter-到的。ing的概念進行了擴展，提出基于內(nèi)容的過濾（Content-Based1DistanceDecay
3、ui(,)=l′Distanceui(,)Filtering）。由此形成的基于內(nèi)容（Content-Based）的推薦算e(1)法能夠解決用戶冷啟動、緩解數(shù)據(jù)稀疏性等問題，但是其自由此便可以屏蔽不滿足用戶距離要求的推薦信息，防止身的缺點是提取特征能力受到技術(shù)限制，無法推薦配置文件信息過于冗長。由上述描述推導(dǎo)公式2可形成初步的推薦列以外的推薦信息。學(xué)術(shù)屆研究最多的是協(xié)同過濾（Collabor-表List1。ativefiltering-based）的個性化推薦算法但是其同樣存在著用Interest(u，i)
4、=Pu，i×DistanceDecay(u，i)(2)戶冷啟動的問題，擴展性和同一性也存在不足。另外還有其2．2優(yōu)化推薦算法它的如基于規(guī)則（Rules-Based）的推薦算法也存在著關(guān)聯(lián)規(guī)接下來我們將優(yōu)化推薦信息并且解決用戶冷啟動的問則的制定過于死板等問題。因此也有學(xué)者為了解決這些問題。本算法引入多屬性決策[5]的思想就是將各個項看作n維題，將各種算法結(jié)合起來，利用每一種算法的各自優(yōu)勢，彌補空間中的點，進而測試這些點與用戶需求的距離。我們根據(jù)各自的缺點，形成新的混合式推薦算法。用戶的興趣偏好定義項目的各個
5、屬性，大致各分為區(qū)間屬性本算法在研究了現(xiàn)有算法的基礎(chǔ)上將推薦看作一種了和集合屬性。并且將屬性值標(biāo)準(zhǔn)化到統(tǒng)一的量綱上。經(jīng)過解用戶興趣偏好，整合用戶歷史評分信息，并引入了位置因標(biāo)準(zhǔn)化的項目屬性值可以構(gòu)成一個項目屬性矩陣，該矩陣包素，幫助用戶縮小其選則空間進而利于用戶最終做出決策的含一定量的信息，根據(jù)Shannon信息熵理論[6]，熵是不確定性過程。本算法研究完成之后將滿足如下一些特色要求：本算的指標(biāo)。我們可以確定項屬性的權(quán)重，得到加權(quán)推薦矩陣。法將對用戶興趣變化敏感，能處理短期興趣；能處理變化較如下公式3（ω
6、為權(quán)重，χ為標(biāo)著化屬性值）：大的項目屬性，對位置變化敏感；無用戶冷啟動問題。本算éω1χ11ω2χ12…ωnχ1nùév11v12…v1nùêúêú法能夠很好地滿足在移動中使用位置感知服務(wù)的用戶需求。êêω2χ21ω2χ22…ωnχ2núúêêv21v22…v2núúv==(3)êê…………úúêê…………úú2．基于LBS的個性化推薦系統(tǒng)的算法設(shè)計ê?ω1χm1ω2χm2…ωnχmnú?ê?vm1vm2…vmnú?2．1初步推薦信息要確定推薦信息那么首先要確定用戶對興趣偏好的最作為個性化推薦算法我們將能
7、否發(fā)掘用戶的潛在興趣大最小可接受范圍。因此我們將標(biāo)準(zhǔn)化后各屬性取值的最作為算法優(yōu)越程度的重要指標(biāo)。所以我們借鑒經(jīng)典的協(xié)同大值組合成理想方案A+，同時將最小值組合成負理想方案過濾算法將所有的用戶對所有的項目評分合起來形成一個A－，即[2]矩陣，稱為用戶—項目評分數(shù)據(jù)矩陣。通過用戶對已知項+=(+++)+Avv1,2,,vn，v表示加權(quán)推薦矩陣中屬性j的最j目的評分找到與他評分相似的用戶群，即最近鄰，再利用最大值近鄰對未知項目（用戶沒有評分的項目）的評分算出用戶對----A=(vv1,2,,vn)，v-表示加
8、權(quán)推薦矩陣中屬性j的最未知項目的預(yù)測評分Pu,i。整個過程大致分為兩步：鄰居形成j和推薦形成。小值——————————————作者簡介：楊袁偉，男，浙江嘉興人，本科，研究方向：計算機軟件，計算機科學(xué)與技術(shù)。基金項目：浙江省大學(xué)生科技創(chuàng)新活動計劃（新苗人才計劃），基金編號：2013R425024。-30-基金項目學(xué)術(shù)探討2014年第1-2期之所以選用標(biāo)準(zhǔn)化后的最大值和最小值，是因為標(biāo)準(zhǔn)化新用戶注冊時都需要顯示選擇興趣偏好，我們設(shè)
