协同过滤推荐中的隐式评分和个性化信息推荐

(1)协同过滤推荐中的隐式评分

协同过滤技术根据和用户兴趣相似的用户的兴趣信息为用户推荐个性化的信息，是如今流行的推荐技术之一。协同过滤已被成功应用到广泛的领域。例如，亚马逊网站的书籍推荐系统、著名的电影网站MovieLens的电影推荐系统。根据用户和项目的关系，协同过滤推荐技术可以分为基于用户的协同过滤和基于项目的协同过滤。基于项目的协同过滤技术因为良好的推荐效果应用最为普遍。基于项目的协同过滤根据用户的评分数据计算项目之间的相似性，进一步根据项目之间的相似性预测用户对未评分项目的评分。传统的基于项目的协同过滤推荐中往往会存在评分数据的稀疏性问题。

协同过滤技术需要大量的用户对项目的评分数据以保证推荐效果的精确性。在移动环境下，直接评分并不能够为协同过滤推荐提供足够多的评分数据。解决这个问题的方法之一就是隐式评分:通过分析用户在移动终端上阅读博客的行为记录，来获取用户对所阅读博客的偏好信息，通过这些偏好信息计算出用户对所阅读博客的隐式评分。隐式评分技术主动记录用户和系统交互过程中的行为来推断用户的兴趣。鼠标的点击流、用户在阅读文档所用的时间、拉动滚动条都可能是隐式反馈的来源。这个过程对于用户是完全透明的。用户在阅读博客的过程中并不会感受到隐式评分的存在。并且，每个用户在阅读博客时都会留下自己的行为信息。通过对这些行为信息的分析可以得到每一个用户对其所阅读博客文章的隐式评分，这样就解决了传统协同推荐中评分数据的稀疏性问题。Nichols提出了一系列可以作为用户隐式反馈的用户行为类型[20]。Diane等人进一步将隐式反馈从用户行为和最小可能范围两个维度进行划分[21]。本章主要从用户阅读博客速度和阅读比例两个维度计算用户的隐式评分。(www.xing528.com)

(2)博客推荐

关于博客推荐的研究主要集中在用户兴趣模型构建和个性化博客推荐上。以往的研究中提出了几种用户兴趣建模技术。Liu等[22]将用户的兴趣分为长期兴趣和短期兴趣，并且基于用户的偏好分类和文本分类方法提出了一种新的用户兴趣建模方法。Li等[23]将信任模型、社会网络分析和语义分析结合，提出了一种个性化博客推荐机制。Chiu等[24]依据不同的主题和关键字将博客分类，提出了将博客自动推荐系统和人工方式相结合的方法从而达到更精准的推荐效果。