计算机工程
計算機工程
계산궤공정
COMPUTER ENGINEERING
2014年
8期
277-281
,共5页
个性化推荐%网络爬虫%网站聚合%本体论%用户偏好%冷启动
箇性化推薦%網絡爬蟲%網站聚閤%本體論%用戶偏好%冷啟動
개성화추천%망락파충%망참취합%본체론%용호편호%랭계동
personalized recommendation%Web crawler%Website aggregation%ontology%user preference%cold-start
针对传统个性化推荐方法中存在的稀疏性、冷启动、过度专业化且准确率低等问题,提出一种基于网站聚合和知识的电影推荐方法.利用网络爬虫聚合源网站对某部电影的相关推荐,得到待推荐电影集,使用电影知识构建基于本体论的电影模型,并在该模型的基础上给出一种学习用户偏好权重的算法,采用SimRank算法和加权平均值计算电影相似度,根据相似度高低向用户进行推荐.实验结果证明,该方法的推荐准确度在非实时推荐场景下较现有方法提高10％以上,且实时推荐的推荐质量有明显提高,在一定程度上解决了稀疏性、冷启动及过度专业化等问题.
針對傳統箇性化推薦方法中存在的稀疏性、冷啟動、過度專業化且準確率低等問題,提齣一種基于網站聚閤和知識的電影推薦方法.利用網絡爬蟲聚閤源網站對某部電影的相關推薦,得到待推薦電影集,使用電影知識構建基于本體論的電影模型,併在該模型的基礎上給齣一種學習用戶偏好權重的算法,採用SimRank算法和加權平均值計算電影相似度,根據相似度高低嚮用戶進行推薦.實驗結果證明,該方法的推薦準確度在非實時推薦場景下較現有方法提高10％以上,且實時推薦的推薦質量有明顯提高,在一定程度上解決瞭稀疏性、冷啟動及過度專業化等問題.
침대전통개성화추천방법중존재적희소성、랭계동、과도전업화차준학솔저등문제,제출일충기우망참취합화지식적전영추천방법.이용망락파충취합원망참대모부전영적상관추천,득도대추천전영집,사용전영지식구건기우본체론적전영모형,병재해모형적기출상급출일충학습용호편호권중적산법,채용SimRank산법화가권평균치계산전영상사도,근거상사도고저향용호진행추천.실험결과증명,해방법적추천준학도재비실시추천장경하교현유방법제고10％이상,차실시추천적추천질량유명현제고,재일정정도상해결료희소성、랭계동급과도전업화등문제.
