信息推荐技术综述_方逵[1].pdf

《信息推荐技术综述_方逵[1].pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、问题探讨农村经济与科技2012年第23卷第10期（总第303期）信息推荐技术综述方逵，王娟(湖南农业大学信息科学技术学院，湖南长沙410128）［摘要］针对农民进行个性化的农业信息推荐服务需求，全面综述了现有推荐技术的研究进展和各自的优缺点，提出采用基于内容的推荐技术，建立农民兴趣模型和文档特征模型。［关键词］协同过滤推荐；基于内容推荐；混合型推荐；基于数据挖掘推荐；农业信息推荐1引言Profile)来表示其兴趣特征；对每个项目的内容进行特征提取形成特征向量。当对目标用户进行推荐时，系统需要计算该用户推荐技术始于1999年，主要研究推荐系

2、统技术和WEB挖的用户兴趣模型与所有项目的特征向量的相似度，再通过相似掘。在第七届国际人工智能联合会议中，设立了E-Business&度比较来推荐项目。由于基于内容的推荐系统不考虑用户行theintelligentweb研究小组；在第十五届人工智能会议中，信息为，从而解决了协同过滤中的第一评价、稀疏性、特殊用户问题推荐系统已成为会议的研究主题之一；在第24届研究和发展等。另外系统可以离线进行，推荐的响应效率得到有效的提高。会议ACM下属的SIGIR设立了推荐系统研究主题。现有的推但这类系统必须分析信息的内容，从而只能处理文本类信息，荐技术

3、主要有基于协同过滤推荐、基于内容推荐、混合型推荐、而对媒体信息（音乐、图像、视频等）无能为力，同时也无法对用基于数据挖掘推荐等。户的需求或兴趣提供准确的推荐。由于以上两种推荐算法均有各自的优、缺点，所以不少学2推荐技术综述者结合协同推荐和基于内容推荐的优点，从不同角度提出了混合推荐技术。文献［10］提出了通过混合、切换、加权、层叠、特征协同过滤是当前研究和应用最广泛且效率高的一类推荐组合、特征放大等方法有效地将协同过滤推荐技术与基于内容技术。自从1979年Rich成功设计了第一个协同过滤推荐系统推荐技术进行混合，提高了推荐质量。文献［11

4、］还提出通过基Grundy以来，已有不少类似的推荐系统。协同过滤推荐系统的于内容的过滤和协同过滤的混合推荐系统。优势是通过计算用户行为之间的相似度来进行推荐，而不依赖基于数据挖掘的推荐主要是通过数据挖掘技术（如关联规于项目内容。其缺点是存在稀疏性、冷启动、扩展性、灰羊问题则、分类、聚类等方法）对用户行为或兴趣特征进行学习，从中等。挖掘出有价值的知识，根据这些知识产生推荐结果再对用户进Scholkopf在1998年提出了核主成分分析维数简化；Sarwar行推荐。Lin等人提出基于关联规则的推荐系统，Mobasher等人BM提出通过奇异值分解

5、减少项目空间的维数，该方法中，用户提出基于关联规则和聚类分析的推荐算法；Fu等人提出通过关在降维后的项目空间上对每一个项目均有评分，能显著地提高联规则挖掘导航历史进行推荐；文献［15］还提出基于Web使用推荐系统的伸缩能力。但是降维会使一些信息损失，而且由于挖掘和Web内容挖掘的推荐技术。降维效果与数据集密切相关，在项目空间维数很高的情况下，不少学者还提出通过图搜索计算用户最近邻的优化算法；降维的效果难以保证；张峰提出使用BP神经网络来解决稀疏彭玉等人提出了一种基于项目的协同过滤推荐算法，这种算法性问题，根据用户评分向量交集大小选择候选最

6、近邻居集，通通过计算项目的评分相似性和属性相似性，然后通过双向蕴涵过BP神经网络来预测用户对项目的评分；吴颜提出了单值分谓词来计算项目间的相似度；姚忠等人为提高推荐效果，在相解、聚类等数据稀疏性解决办法；同时，也有学者提出通过图论似性公式中引入一个调和参数a，通过调和参数a与项目类别Horting的方法来缓解稀疏性问题。数据的乘积来进行相似度调整。Jester等人采用了Gaugeset来解决冷启动问题。在用户注对于数据稀疏性问题，基于项目的协同过滤推荐技术、降册时，用户必须输入他对这个Gaugeset中项目的评价。该方法维法、智能Agen

7、t等方法可以在一定程度上进行缓解；张峰使用虽然解决了新用户问题，但不能解决新项目问题，而且用户还BP神经网络来缓解协同过滤推荐算法的稀疏性问题，根据用必须配合；何安提出通过在最近邻选择上进行改进，选取新颖户评分向量交集大小选择候选最近邻居集，采用BP神经网络描述(NovelProfile)的用户，或者选取合理描述(RationalProfile)预测用户对项目的评分；Huang将奇异值分解应用到协同过滤的用户，通过使用合理性强度来进行用户的选择。推荐算法中，通过奇异值分解算法得到低维正交矩阵，实验证基于内容过滤推荐系统，与协同过滤推荐系统

8、不同，它是明，它较好地解决了数据稀疏性问题，但是采用该方法推荐的利用信息内容特征和用户兴趣特征的相似性来进行过滤的。在准确性会有一定程度的损失；在采用神经网络进行聚类处理这类推荐系统中，每个用