混合推荐系统研究：基于用户兴趣的模型与算法

“基于用户兴趣的混合推荐系统研究，中山大学硕士学位论文，作者邓昌甫，指导教师李文军，专业软件工程，通过研究用户兴趣、推荐系统和推荐技术，建立混合推荐模型，采用BP神经网络和奇异值分解算法进行预测和推荐。” 在当今信息化社会，互联网的飞速发展带来了海量信息，这在为用户提供便利的同时，也带来了信息过载的问题。为了应对这一挑战，推荐系统成为电子商务领域中的关键，它致力于为每个用户个性化地提供准确的信息。推荐系统的理论和应用因此得到了广泛关注。 邓昌甫的硕士学位论文深入探讨了用户兴趣在推荐系统中的作用，构建了一个基于用户兴趣的混合推荐模型。这个模型旨在解决在数据稀疏情况下，如何有效获取和利用用户兴趣信息，以及如何做出准确的推荐。论文的研究内容主要包括以下几个方面： 1. 用户兴趣混合模型的建立：模型假设用户的喜好由商品属性、用户兴趣及用户近邻的评价三方面共同决定。通过数据预处理方法，构建用户的兴趣模型，这有助于理解用户的偏好并预测其未来行为。 2. 改进的奇异值分解算法：在预测推荐阶段，通过对用户历史评分的统计，提取用户的兴趣偏好和商品属性信息，形成兴趣偏好向量和商品属性向量。然后，利用改进的奇异值分解算法来预测用户对未评价商品的评分，以弥补协同过滤算法在处理稀疏数据时的局限性。 3. BP神经网络算法的应用：同时，论文还运用BP神经网络算法，从用户历史行为中学习，预测用户对新商品的反应，补充基于内容过滤方法可能过于简单的用户模型。 4. 混合推荐策略：将这两种预测方法的评分结果相结合，生成最终的推荐列表，以提高推荐的准确性和多样性。实验结果显示，这种混合推荐系统有效地克服了协同过滤和基于内容过滤算法各自的缺点，提升了推荐系统的整体性能。 关键词涉及的领域包括推荐系统、奇异值分解、BP神经网络以及兴趣模型，这些是构建和优化推荐系统的核心技术。邓昌甫的研究为理解和改进推荐系统提供了有价值的理论基础和实践方法。