● 摘要
随着电子商务和个性化服务的兴起，推荐系统越来越成为门户网站和电子商务网站的重要支撑，个性化推荐必将成为未来研究的主要趋势之一。推荐系统的核心是推荐算法，提高推荐算法预测准确度和使推荐算法适应用户兴趣的变化是推荐算法研究的重点内容。
为了解决推荐系统中用户兴趣迁移问题和提高推荐预测的准确率，本文提出了一种动态用户兴趣模型（Dynamic User-Interest-Model，简称DUIM）。模型以拟合的记忆曲线来模拟时间因素对用户兴趣的影响，用以体现用户长期兴趣和短期兴趣的变化；同时在建模的过程中将用户的评分行为看成投票行为，忽略单个项目（item）评分的高低；并以向量空间模型来描述DUIM，其中向量空间模型中的主题关键词采用了类别的概念，权值以用户评分行为的映射值来表示。基于DUIM，论文提出了一种新的协同过滤推荐算法（Model-based Collaborative Filtering recommender algorithm，简称MCF），算法包括预选取近邻、近邻选择、预测评分三个部分。对于预选取近邻，MCF利用DUIM中包含的用户兴趣向量将所有用户进行初步聚集缩小目标用户近邻选择空间；对于近邻选择，算法利用原始的用户评分向量通过计算相似度确定目标用户的近邻；对于预测评分，算法利用近邻用户的评分信息来预测目标用户的评分。
基于以上研究，论文设计实现了实验系统原型。为了验证MCF的有效性，论文专门设计了一组实验，进行本文算法与同类参考算法的比较分析，为了研究参数对本文算法的影响，论文以控制变量的方法进行了多组比较实验。实验结果表明，MCF比参考算法取得了更好的预测准确度，并且MCF中的聚类数目、近邻数目参数对算法的影响呈现出一定的规律。