文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > IT/计算机 > 个性化推荐系统中的用户建模及特征选择
侵权投诉

个性化推荐系统中的用户建模及特征选择

第33卷第17期

、,ot33

计算机工程

ComputerEngineering

文章缩号t

2007年9月

September2007

文献标识码。A

中圈分类号,TPl8

No.17

人工智能及识别技术

loo哪428(2007)17—0196珈3

个性化推荐系统中的用户建模及特征选择

林霜梅,汪更生,陈弈秋

(上海交通大学软件学院,数字家电实验室,上海200030)

摘要:提出了一种基于向量空间模型的用户模型表示及其动态学习算法,研究了用户建模中的特征选择,提出了一种根据词性标注信息将词频法和TFIDF方法相结合的特征选择方法。实验结果表明这种动态学习算法能实时捕捉并记录用户最新的兴趣需求,从而准确地推荐出符合用户兴趣的信息,同时这种基于词性标注的组合特征选择方法的效果好于单独使用词频法或TFIDF方法。关健诃:个性化推荐;用户模型;特征选择;动态更新

User

Modeling

LIN

andFeatureSelectioninPersonalized

RecommendingSystem

Shuang-mei,WANGGeng-sheng,CHEN

Yi-qiu

(SoftwareEngineeringCollegeofShanghaiJiaotongUniversity,DigitalHomeApplianceLab,Shanghai200030)

[Abstract]Thispaperpr叩o∞s

featureselectionin

user

auser

profilerepresentationbased

featureselection

onvector

spacemodeltogetherwithitsdynamiclearningalgorithm,andstudies

tO

modeling.A

new

methodcombiningtermfrequencyandTFIDFaccording

andrecord

user’s

part-of_speechtaggingis

user

proposed.Theexperimentindicatesthatthedynamiclearningalgorithmcallcatchinformation

can

latestinterestintime,thusthe

on

required

betruly

or

recommended.The

experimentalsoshowsthattheeffectofcombining

methodbased

part—of-speechtaggingisbetter

thanthatofusingTFTFIDFseparately.

[Keywordslpersonalizedrecommending;userprofile;fcatureselection;dynamicupdating

各种信息尤其是互联网信息的指数增长所导致的“信息过载”和“信息迷航”问题已日益制约人们高效地使用各种

法和基于向量空间模型的表示法。主题表示法以用户喜好信息的主题来表示用户模型,如用户对体育和财经感兴趣,则用户模型表示为{体育,财经);关键词列表表示法以用户感兴趣信息的关键词来表示用户模型,如用户对足球感兴趣,则用户兴趣模型表示为{世界杯,英超,意甲,贝克汉姆,罗纳尔多};基于神经网络的表示用网络稳定后,网络连接权重所特征化的网络状态来表示用户模型;基于本体论的表示法用一个本体来表示用户感兴趣的领域,如Quickstep系统旧1使用一个学术研究主题本体表示用户感兴趣的研究领域;基于向量空间模型的表示是目前为止最为流行的表示法,它将

信息资源ul。个性化推荐技术正是解决这一严峻问题的有效

方法,它根据用户的兴趣和特点,对信息资源进行收集、整理和分类,向用户提供和推荐符合其兴趣偏好或需求的信息。

用户建模是个性化推荐的基础和核心睇J,用户模型的质量直接关系到个性化推荐服务的质量,只有系统很好地理解了用户的兴趣需求,才可能推荐出用户满意的信息。为了准确地描述用户的兴趣需求,就需要从用户感兴趣的信息中提取用户的兴趣特征,并通过建立模型来记录和管理。本文研究的是文本类型的信息资源,采用了一种基于向量空间模型的用户模型表示方法,并提出了一种用户模型的动态学习算法,同时对关键词的特征选择方法进行了改进。

用户模型表示成一个n维特征向量{(七,,W1),慨,W2)….,

(k。,w)J,其每一维分量由关键词及其权重组成,该权重表示用户对某个概念感兴趣的程度。

本文中用户模型采用基于向量空间模型的表示法,并将兴趣节点由关键词及其权重的二元组表示改进为三元组的表示形式。如果用户有n个兴趣节点,则用户模型表示为如下特征向量:

Hobby=忻,,2,…,厶)-{(七l,wl,t1),(k2,w2,t2)…,(kn,%,tn)l(1)

l用户建模及其特征选择

1.1用户模型的表示

个性化推荐系统中,用户模型用于描述、存储和管理用户的兴趣需求。由于个性化推荐是以计算机平台为依托的,因此用户模型不是对用户兴趣的一般性描述,而是一种面向算法的、具有特定数据结构的、形式化的描述。用户建模则是从有关用户兴趣和行为的信息中归纳出可计算的用户模型的过程口】。只有将用户兴趣信息从无结构的原始形式转化为计算机能够理解的结构化形式,才能对用户兴趣进行分析和处理。

用户模型的表示决定了其反映用户真实信息的能力和可计算能力,同时也在一定程度上限制了用户建模方法的选择。目前常见的用户模型表示法有:主题表示法,关键词列表表示法,基于神经网络的表示法,基于本体论(Ontology)的表示

其中,Z为用户兴趣的第i个特征项;(七f,嵋,ti)为用户兴趣的第f个特征节点;k。为关键诃;嵋为关键词k;的权重;t,为关键词权重wf的最近一次更新时间。1.2个性化推荐系统

个性化推荐系统由用户兴趣管理、信息资源管理和匹配

作者筒介:林霜梅(1980--),女,硕士。主研方向:个性化信息检索,文本分类;汪更生,硕士;陈弈秋,副教授收稿日期:2006-10-13

E-mail:edna_.1229@126.corn

m196--

万方数据 

第1页

你可能喜欢

  • 数据挖掘
  • 用户行为分析
  • 用户研究
  • 用户特征
  • 推荐引擎
  • 用户模型

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email