[发明专利]一种基于物品时间流行性的推荐方法

说明书

本发明公开了一种基于物品时间流行性的推荐方法，包括：S1、选用时间间隔Δt将数据集的时间轴划分为n段，并定义第i个时间区的权重wsubgt;i/subgt;：S2、结合物品在市场的占比，统计物品在时间段上的分布；S3、将每个时间区域的资源分配进行累加，得到关于物品α的流行度得分；S4、基于CosRA相似性指数计算出物品与物品之间的相似性矩阵；S5、根据S4中的相似性矩阵，计算得到资源分配结果；S6、加入时间因素，修正目标用户i的推荐列表，将用户i最后修正后的推荐列表进行降序排列后，得到前L个物品生成最终的推荐列表。

技术领域

本发明属于物品推荐的技术领域，具体涉及一种基于物品时间流行性的推荐方法。

背景技术

互联网时代的飞速发展已经改变了我们的日常生活以及我们获取信息的方式。信息呈现传播速度快，信息量巨大的特点。铺天盖地而来的信息造成了用户在获取信息时出现信息过载的问题。“信息过载”问题是指，人们无法从海量的信息中快速准确的定位到自己所需要的信息。大量的信息降低了用户获取信息的效率，造成了给用户提供便利的相反效果。为了解决这些信息过载问题，个性化推荐系统应运而生。个性化推荐系统根据每个用户的兴趣、爱好、行为等信息，分析物品之间的相似性，将用户可能感兴趣的物品推荐给用户，对用户潜在的行为进行预测。同时，一个好的个性化推荐系统离不开优秀的推荐算法，现今已经有很多人提出了基于各种技术的推荐算法，如协同过滤(包括基于用户的协同过滤和基于物品的协同过滤)^[1-2]、质量扩散^[3]和热传导^[4]等。

在基于二部图计算的基础上已经提出了诸多优秀的推荐算法，二部图计算只包含了用户和物品两种因素。近年来，越来越多的影响因素被考虑进来。“信息老化”是信息网络发展过程中的一个重要组成部分，但大多数研究都集中在网络的结构特性上，而忽略了极有价值的时间信息，会高估算法的推荐性能^[5]。在推荐中，时效性与用户满意度紧密相关。传统的基于二部图的推荐算法忽略了物品的发展规律和市场寿命，导致过时的物品可能会被过于推荐给用户，降低了用户的新鲜感与发现新爱好的机会。此外，大多数研究时间因素的推荐算法主要集中在用户兴趣的变化，没有从物品的角度出发，思考物品的发展规律和市场寿命会根据外界环境和自身特点存在较大差异。传统的推荐算法包含的因素过于单一，容易出现时序逻辑的混乱，降低用户的体验感。

参考文献：

[1]B.Sarwar,G.Karypis,J.Konstan,J.Riedl,Item-based collaborativefiltering recommendation algorithms,in:Proceedings of the 10th InternationalConference on World Wide Web,WWW’01,ACM,New York,NY,USA,2001,pp.285–295.

[2]D.Goldberg,D.Nichols,B.M.Oki,D.Terry,Using collaborative filteringto weave an information tapestry,Commun.ACM 35(12)(1992)61–70.

[3]Y.-C.Zhang,M.Medo,J.Ren,T.Zhou,T.Li,F.Yang,Recommendation modelbased on opinion diffusion,Europhys.Lett.80(6)(2007)68003.

[4]Y.-C.Zhang,M.Blattner,Y.-K.Yu,Heat conduction process on communitynetworks as a recommendation model,Phys.Rev.Lett.99(15)(2007)154301.