基于rsm的多维推荐模型研究

《基于rsm的多维推荐模型研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、独创性声明学位论文题目：赶塑丛鱼垒丝逛鲞趣麴亟本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得西南大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。学位论文版权使用授权书本学位论文作者完全了解西南大学有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权西南大学研究生院可

2、以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。(保密的学位论文在解密后适用本授权书，本论文：回不保密，口保密期限至年月止)。学位论文作者签名：雠播签字日期：烈哆年乡月‘日导师签名：同q泉签字日期：卅年占月占日第一章绪论曼皇曼曼IIIIII!,,曼．．．．．．．IIIIIIIIIIIIIIIIIIIIIIIIII,．IIJJl!]]]llI!IIIIII蹩弟一早三；舀记1。．1论文研究背景以往，电予商务网站将推荐系统(Recommendersystem)视为一种新颖的技术，由

3、于消费形态急速改变，推荐系统渐濒转成荛电子蓠务霹站中不可或缺的重要议题，为电予商务拓展新的契枧。许多有禽电子商务网站利用摊荐系统将浏览者转变为购买者，同时也帮助用户找到他们的隐性需求，通过分析用户概况来推荐最大化用户价值的蕊晶。摊荐是以使用者的过去经验与偏好为基础，针对目标用户提供个入化的推荐，以解决信息负载的闷题。推荐技术已逐渐成为信息检索和信息过滤领域的研究热点，得到了许多著名研究机构秘研究者的关注。翻前较有影响懿推荐系统有：XeroxPARC研究中心提出的Tapestrytl3协瀚过滤推荐系统：Minnesota大学开发的Gr

4、ouPLemt2】自动协同过滤推荐系统用于新闻组信息推荐，MovieLensc3J协弱过滤推荐系统孀予W曲憋形式豹电影揍荐；BellCore并发麓协潮过滤推荐系统VideoRecommende一4】，提供电影推荐：而Stanford大学数字图书馆课题组开发的基于内容过滤和协同过滤舱复合型推荐系统FAB，用于WEB页嚣搂荐isis]。推荐方法主要分为内容导向法(Content-based)与协同过滤法(Collaborativefiltering)，两种方法都各有其优缺点与互补性。现有的推荐系统一定程度上满足了人们获取信息的蔼求，但在

5、许多应用巾，仅仅考虑用户偏好和项目特性，并不能完全满足人们对摊荐信息的个性化需求。用户对项目的经验背后隐含了许多情境因素(时间、地点、观点、目的、同伴等)。由于传统推荐技术并未考虑这些情境僖患(Contextual／nformat／on)，所以无法了解用产对巢商菇喜静静真实因素，往往造成推荐结栗正确性降低并影响推荐品质。因此，将相关情境信息引入推荐过程是改进现有推荐技术的一种有效途经。在数据仓疼和OLAP领域，也馒震了多维推荐模型强，然谣它镌都楚哭读的数据模型，不韪满足大多互联网应用中对资源进行频繁操作的需要。可见，如何分析用户的习

6、惯和镳好，猜透用户的心理，向用户推荐满意的信息；翔何满足用户在特定环境、特殊条件下的信息需求；如何尽凝消除机器与人类之间的语义“鸿沟”，在推荐过程中增加人机间的语义交流，使推荐的个性化程度更高⋯⋯这些都是改进现有推荐系统时需要考虑的阀题。圜此，现有推荐技术的完善不仅需要耨影响用户偏好的情境信息纳入改进方法韵考虑范甏之中，而且需要一种严格规范、操作灵活的语义数据模型来支持对资源的频繁操作，实现语义描述、裁则推理、动态雯颏等能力。RSM是一个基于分类语义对各种知识资源进行有效组织的规范化的语义数据模型f8．111，是对文件系统拳l数据麾

7、系统的发展，自被提出以来就芍

8、起了雷内外硪究人员的关注。RSM将备种资源浚射到一个多维语义空间，该空间是根据规范的分类语义构建的坐标系统。空间中的每介点表示具有相同语义的同类资源。逐渐宠善的RSM范式理论f12l和完整性约求㈣确保了空间巾语义表示和操作的正确搜。RSM作为知识露格中的一个分支，已经具备了成熟黎{完善的理论、模逛酾方法，也在现实中得到了业界的认可和应用。两南大学硕士学侍论文RSM在多维推荐中的应用是一个新的研究点。在推荐技术快速发展的情况下，有必要深入探讨如何将RSM语义数据模型考虑到多维推荐的改进中，应用于多维推荐领

9、域，使其增强推荐空间的语义描述、规则推理、动态更新等能力，并提高资源操作的灵活性。因此研究如何利用目前完备的RSM模型和方法【9．Iol，结合本体f

10、4】、FolksonoIllies【151等理论。改进成熟的协同推荐技术，提供精准的