第一章 绪论
1.1 研究背景及意义
淘宝、天猫、京东、电子游戏等信息产业已经逐渐渗透到人们生活的方方面面，正在从根本上改善人类获取知识的途径与方式。各商家想出各种各样的办法，来分析投资--回报收益[3]，想要最大限度的获取更多的商机，面对大量的信息，用户不知道如何获取有用的信息，需要访问大量的网站才能找到所需的信息，大大降低了工作效率，增加了搜索时间，从而减慢了寻找可用资源的时间。因此，在当今大数据时代[4]下，怎样从海量的信息中快速满足不同用户的需求，更高效、更便捷的获取用户感兴趣的内容，是当前个性化服务所面临的挑战。
目前，获取信息改善途径主要有两种：搜索引擎[5-7]和信息检索技术[8]。信息检索：用户可通过搜索关键字找到自己所需的信息，用户占主导地位，当查询结果不理想时，用户可更换关键字，从而改善这一结果，这在一定程度上改善了搜索效率。目前，应用最为广泛的搜索引擎有：Baidu、Google、Sougou 等。但相应的，也存在着一些弊端：用户无法说清楚自己的具体需求，给信息查找带来一定的困难；用户不确定自己要购买的东西或不清楚自己的愿望清单，需要借助朋友、或是亲友的力量来选择，这就使得推荐系统应运而生。它可通过大数据分析用户行为模式或行为习惯，从而主动向用户推荐信息。一度把推荐信息由主动变为被动，效率大大提高。推荐系统注重研究用户兴趣模型，它通过分析用户最近的兴趣爱好、消费水平、浏览网站类型、购买商品的分类等向用户推荐最感兴趣的商品或新闻，将其他的不相关的信息过滤掉，进而准确无误的向用户推荐，达到用户预期的效果。推荐系统采用“one-to-one”的模式，对每一位用户都做到了定制化、个性化，即不同的用户产生不同的推荐结果，这种方式得到大家的青睐，很好的解决信息超载（Information over-load）的问题。数据的大量增加，人类需求的不断提升，知识型网络[9]的发展，很好的推动了推荐系统的快速发展。
...........................
1.2 国内外研究现状
一种向用户进行推荐商品的系统是互联网时代的一种信息检索工具，从上世纪 90 年代起，推荐系统的发展至今已有 20 余年，大大增强了人们生活的幸福感。纵观推荐系统的发展过程，可以将其分为三个阶段。
第一阶段：推荐系统的初始阶段。对于新的定义进行研究、发现，分析用户的行为，提出一些新的概念。对于推荐系统的研究，早在 1997 年，Resnick 等人就对推荐系统有一个定义：推荐系统是利用电子商务平台向用户提供商品及建议，为用户决定应购买什么商品，仿照货物人员完成购买的过程。我们称使用电子商务系统的人为客户、用户、目标用户，称被推荐给用户的对象为信息、资源、项目。这极大的激发了研究人员的热情，调动了人们在推荐系统科研的积极性。
第二阶段：推荐系统的发展阶段。出现了很多的商业架构应用，主要代表：亚马逊，用户通过搜索引擎[11]可将喜欢的商品放进购物车中，下方会出现“你可能喜欢”的商品列表，分析用户的兴趣爱好，整理出用户感兴趣的商品。
第三阶段：推荐系统的应用阶段。这一阶段出现很多新型的算法，如 NetflixPrize 竞赛，Netflix 发布了一个具有电影评分的推荐系统集，该训练集由 500,000名匿名用户针对 17,000 部电影提交的电影评分组成，每部电影的评分范围为1—5 分。Netflix 则根据所掌握的真实数据与评分数据计算误差，参赛者将均方根误差降低 10%及以下的团队将会获得百万奖励，这在当时对于协同过滤推荐引起了很大的反响。
总的来说，目前推荐系统领域，虽然取得了很大的进展，也取得了不小的进步，但还存在一些问题。比如：数据稀疏性问题，冷启动问题，增加上下文信息后的推荐，对于推荐的精准性增加了一定的难度。所以，我们还需要不断探索更为准确的推荐算法，从而给用户更好的享受体验。
..........................
第二章 推荐系统相关研究
2.1 推荐系统原理
在此之前，已经有人给出了推荐系统定义：用户和物品之间的二维关系，users代表用户，items 代表被推荐的项目（Books、Movies、Restaurants）,通过分析用户以往的历史数据，对其分析整理建模，进而对其推荐相关物品的过程。推荐算法是用户和物品对物品评分的二维映射，如图 2-1 所示：
由图 2-1 可知，通过分析用户的购买清单，对大量的数据进行对比，推荐系统必须符合用户的兴趣爱好，满足大多数用户的需求。首先我们需要收集用户的行为数据，分析历史评分数据和建立模型，从数以亿计的商品中寻找到用户感兴趣的商品进行推荐。推荐系统已慢慢演变到人们的日常生活中，可以为用户提供便捷的选择指导，已成为电商时代必不可少的智能服务，只有准确分析用户之前的历史行为数据，才能更好的为用户进行推荐，很好的满足用户的需求。
...........................
2.2 基于物品的协同过滤
协同过滤（Collaborative Filtering）：利用某兴趣相投、具有共同经验的群体的爱好来推荐用户感兴趣的信息。比如说，你和另外一个人都喜欢看电影，而你们所喜欢的电影类型都差不多，我可以把这两个人归结为同类用户，那个人对于某一部电影的评价很高，而这部电影你都没有看过。那么，我是不是就能将这部电影推荐给你呢？这就完成了一次准确的推送。传统的基于协同过滤的推荐主要分为两个方面：从物品和用户角度入手，对目标用户进行数据分析，商品推送，完成系统的功能。
如何来衡量两个用户是否有相同的兴趣爱好呢？通过计算两个用户的相似度来衡量。相似度的计算方法有很多，常用的相似度计算有基于欧式距离的相似度计算、基于余弦相似度的计算。
下表 2-1 是 3 个不同用户对于 5 部电影的评分数据，运用不同的相似度计算公式，来计算用户的相似度。评分规则为最高分是 5 分，最低分 0 分。
..........................
第三章 加入时间变化的协同过滤算法.....................................10
3.2 用户兴趣变化问题和用户评分习惯因素............................... 11
第四章 加入用户信任值的协同过滤算法..................................25
4.1 信任度问题......................................25
4.2 模型搭建及算法实现......................................26
第五章 实验结果分析..............................................32
5.1 实验数据及实验评价标准..........................................32
5.1.1 实验数据......................................32
5.1.2 实验评价标准...............................................35
第五章 实验结果分析
5.1实验结果分析
5.1.1公式中参数的计算
(1) 算法中最近邻个数 k
在传统的协同过滤算法中，要计算用户的最近邻用户和物品的最近邻商品，我们可以取最近邻个数 K，通过计算 UBCF 的 MAE 值，选择 MAE 值最小的 K值，更接近预测的效果。通过多次的实验，我们得到结果如图 5-1 所示：
由图 5-1 可知，当 K 值<45 时，MAE 值随着最近邻个数 K 值的增大而减小，说明算法的准确性越好；当 K 值>45 时，MAE 值随着最近邻个数 K 值的增大而不变，说明算法的准确性基本不受其 K 值的影响，因此，我们选择 K 值为 45，作为我们以下实验的参数。
.......................
第六章 总结与展望
处在信息飞速发展的时代，我们希望可以通过 Internet 及时快速的找到自己感兴趣的内容，推荐系统的产生无疑为我们带来了新的机遇与挑战，个性化的推荐算法越来越受到当代人们的欢迎，可以很好的智能提升用户的体验度。对于传统的协同过滤算法存在太多的弊端，易受到环境、地域等因素的影响，通过建立用户兴趣随时间变化的模型，参考用户信任值的模型，设计了混合时间变化函数和用户信任度的算法，对之前的算法进行改进，从而提高算法的准确性，实验证明改进后的算法准确性得到了提高。
协同过滤算法仍然存在一定待优化的地方，值得我们去深思探索。如其他的基于上下文的影响因素，比如 LBS（基于位置的服务[45]），怎样可以根据用户的位置信息给用户推荐物品；基于关联规则[46]的学习，是一种最具影响力的挖掘布尔关联规则频繁项集的算法，如何运用这些算法应用于我们日常生活中；基于模型的推荐[47]的学习，机器学习就是让机器像人脑一样持续性的学习，这也是人工智能领域的一个分支；如何有效的组合各种不同的影响因素，仍是我们不断坚持探究的课题，在科学探究的道路上，我们永不止步，坚持认真研究的工作态度、良好学习习惯的不断培养，攻克一个又一个科学难题，才是我们现在以及将来要做的事情。对于不同类型的协同过滤算法，如何更有效的提高推荐效率仍然需要我们不断的学习与探究。
参考文献（略）