基于物品综合流行性的实时推荐算法

在这个信息化时代,爆炸式增长的信息具有时效性、共享性、相对价值性的特点。为了帮助用户克服由于信息过载而带来的选择困难问题,个性化推荐应运而生。"信息老化"是信息网络发展过程中必然经历的一个过程,因此将时间因素融入到推荐算法成为必然的趋势。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或是物品近期的流行性,忽略了物品在发展过程中的综合流行性。本文以物品的综合流行性(Com PI)为研究中心,提出一种实时推荐算法。本文的主要工作有:(1)在推荐中考虑了物品在生命周期的发展阶段。(2)将时间因素加入推荐算法,建立指数型的时间权重衰减模型来合理量化时间权重。(3)将全概率模型与时间衰减模型相结合来建立物品的综合流行性模型,进而提出一种实时推荐算法,有效解决了现有算法中的"营销近视"问题。(4)将算法应用于真实数据集测试表明,本文提出的实时推荐算法具有更好的准确性、多样性和新颖性。(5)本文还研究了数据的增长特性,以及数据增长特性对于数据划分和算法性能测评的影响,提出在研究推荐算法时应该更关注具有指数增长的数据。综上所述,该算法可以有效地利用推荐系统中的时间因素来改善用户体验。此外,ComPI模型还可以帮助研究网络拓扑的演化过程,并可应用于网络相关领域。