基于兴趣的用户画像方法-信息推荐系统

为了提供个性化帮助，研究工作主要依赖的是包含在用户配置文件中的表示用户兴趣和偏好的信息，用户的兴趣和偏好一直是用户档案信息的重点内容。如今构建用户画像主要有两种思路，其一是使用显示的相关反馈来对用户画像进行构建，这种一般都是系统对用户做出强制性或者选择性的要求，让用户自己填写，如微博等社交平台中的用户信息，用户可以选填；其二是隐式的分析用户行为以此来收集用户的喜好信息，从而构建用户画像。

Ouaftouh等[13]基于用户的兴趣和聚类算法设计了一种新颖的推荐方法，构建了一个集成用户兴趣的用户画像模型，提出了一种分区聚类算法，运用电子商务网站对应的用户个人资料数据集对该推荐方法进行了评估，结果显示优于主流的推荐方法。汪强兵等[6]以新浪微博为研究对象，利用在线社交网络中的手势行为进行用户兴趣画像构建。通过收集实验用户的手势行为及微博内容，构建兴趣画像，并通过用户实验研究用户兴趣画像在微博推荐中的应用。王庆福[27]采用贝叶斯网络构建用户兴趣模型，进行用户画像在内容推送方面的研究。该研究中用户的兴趣标签主要依赖于三类数据:第一类为用户数据，主要包括静态(不变的用户信息如个人基本信息等)和动态数据(变化的用户信息如用户行为等)；第二类是商品数据，即客观商品属性，包括商品功能、颜色、尺寸等具体数据；第三类是平台数据，其中平台包括用户和商品交互的平台，用户获取信息的平台，用户购买商品的平台以及用户发布评论的平台等。黄传慧[28]在研究中对情境感知在图书馆推荐系统中的应用研究现状进行了梳理，阐述了基于情境感知构建图书馆推荐系统的基本思路:获取用户兴趣偏好信息(短期偏好信息、长期偏好信息以及情境信息)，鉴于情境因素的变化可能对用户偏好造成影响，利用相似情境计算公式找出用户间的关联关系，构建基于情境感知—目标用户—资源协同驱动推荐模型，在图书馆情境化偏好建模以及推荐领域做出了有益探索。(www.xing528.com)

从上述研究成果中可以看出，当前基于用户兴趣的画像方法主要从两方面着手，一方面是对用户的显性兴趣进行分析，即充分挖掘用户在网站及社交平台的注册信息所包含的用户特征，由此构建用户画像；另一方面，采用隐式方式对用户兴趣进行搜集与推理，由此建立基于用户潜在兴趣的画像模型。在基于用户兴趣画像来进行个性化推荐服务时，要充分考虑到用户对某一资源的兴趣以及关注程度不是一成不变的，随着时间的推移用户兴趣倾向会不断发生变化，产生用户兴趣迁移的情况。因此，我们要构建与用户兴趣最为契合的画像模型，精准反映用户兴趣迁移的时间变化、周期规律等特点。