一种新的融合情景的美食推荐算法

doi:10.3969/j.issn.1006-2475.2015.07.005

计算机与现代化

一种新的融合情景的美食推荐算法

1.南京理工大学计算机科学与工程学院，江苏南京210094;2.上海理工大学环境与建筑学院，上海200093

收稿日期:2015-01-07 出版日期:2015-07-23 发布日期:2015-07-28
作者简介:赵雪美(1988-),女,江苏徐州人,南京理工大学计算机科学与工程学院硕士研究生,研究方向:推荐系统,可信计算; 郭林锋(1988-),男,江苏南通人,上海理工大学环境与建筑学院硕士研究生,研究方向:土木工程; 卞雪雯(1992-),女,江苏泰州人，硕士研究生,研究方向:可信计算。

A Food Recommendation Algorithm with Context

1. School of Computer Science and Engineering, Nanjing University of Science & Technology, Nanjing 210094, China;

2. School of Environment and Architecture, Shanghai University of Science and Technology, Shanghai 200093, China

Received:2015-01-07 Online:2015-07-23 Published:2015-07-28

摘要/Abstract

摘要：

针对传统协同过滤推荐算法不适用于情景因素,严重影响用户行为的这类场景，提出一种融合情景的推荐算法，并将该算法应用于美食推荐。首先，运用由情景属性构造向量表示情景，将情景信

息作为一个重要因素添加到兴趣模型中，从而产生UIC兴趣模型。根据用户在不同情景下使用方式的不同，重新创建当前用户与各情景相对应的子用户，得到以情景作为标识的用户项目评分矩阵。

针对融合情景的兴趣模型易产生数据稀疏问题，设计利用改进的WSlopeOne算法对未知评分进行填充；并通过对相似度公式进行优化，进而更加准确地找到当前用户的近邻，为用户提供更加有效的推荐

服务。最后，通过实验验证该算法的有效性。

关键词: 兴趣模型, 推荐算法, 协同过滤, 情景信息, 相似度公式

Abstract:

As the traditional collaborative filtering recommendation algorithm didn’t consider the situation that context information affected the users’ behavior seriously, a

recommendation algorithm with context was put forward and the algorithm was applied to food recommendation. First of all, the context was added to the traditional useritem

model expressed as an attributes vector, resulting in a UIC interest model. Then SubUsers were created according to different context from one user, thus obtaining a

new useritem ratings matrix in a certain context. Because the data sparseness problem was easy to generate in this approach, WSlopeOne algorithm was designed to predict

unknown ratings. Based on optimized similarity formula, more effective recommendation service would be provided that can more accurately find the current users neighbor,

providing users with good service. Last, experiments were done to verify the contents this paper proposed and expectation for further research was brought forward.

Key words: interest model, recommendation algorithm, collaborative filtering, context information, similarity formula

中图分类号:

TP311

赵雪美1，郭林锋2,卞雪雯1. 一种新的融合情景的美食推荐算法[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2015.07.005.

ZHAO Xuemei1, GUO Linfeng2, BIAN Xuewen1. A Food Recommendation Algorithm with Context[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2015.07.005.

[1]	朱宏启, 王诚. 基于电商用户行为的隐式反馈推荐应用研究[J]. 计算机与现代化, 2023, 0(11): 44-50.
[2]	刘国丽, 徐洪楠, 谭有倩. 结合专家信任的协同过滤推荐算法研究[J]. 计算机与现代化, 2022, 0(11): 60-68.
[3]	文勇军, 何环晶, 唐立军, . 基于LDA的隐式标签协同过滤推荐算法[J]. 计算机与现代化, 2022, 0(03): 53-58.
[4]	耿化聪, 梁宏涛, 刘国柱. 基于知识图谱与协同过滤的饮食推荐算法[J]. 计算机与现代化, 2021, 0(08): 24-29.
[5]	黄皓, 陈荔. 基于信息熵和改进相似度协同过滤算法[J]. 计算机与现代化, 2021, 0(06): 29-34.
[6]	王士祺. 基于人工智能推荐算法的智能家庭社会服务机制[J]. 计算机与现代化, 2021, 0(03): 57-62.
[7]	石朋, 姚文明, 王祥. 融合用户模糊聚类和相似度的加权Slope One优化[J]. 计算机与现代化, 2021, 0(01): 70-75.
[8]	崔鑫. 基于异构信息网络的推荐系统[J]. 计算机与现代化, 2020, 0(12): 13-19.
[9]	陈卓, 李鑫, 杜军威, 袁玺明. 面向化工企业事故的根原因关联分析[J]. 计算机与现代化, 2020, 0(10): 1-6.
[10]	徐建鹏, 徐祥, 王晖, 伍琼, 王杰. 基于用户行为和新闻时效性的农业信息协同过滤推荐算法[J]. 计算机与现代化, 2020, 0(07): 6-10.
[11]	贾冲，冯慧芳，杨振娟. 基于出租车GPS轨迹和POI数据的商业选址推荐[J]. 计算机与现代化, 2020, 0(02): 21-.
[12]	李一野1，2，邓浩江1，2. 基于改进余弦相似度的协同过滤推荐算法[J]. 计算机与现代化, 2020, 0(01): 69-.
[13]	姜书浩1，2，张立毅1，2，周娜1. 基于用户偏好动态变化的协同过滤推荐[J]. 计算机与现代化, 2020, 0(01): 75-.
[14]	郑策1,2,尤佳莉1,2. 电影推荐系统中基于图的协同过滤算法[J]. 计算机与现代化, 2019, 0(11): 38-.
[15]	谢浩然1，卫巍2，杨志辉3，邓居智1，葛坤朋1. 基于TF-IDF的新型广播电视节目协同推荐流程[J]. 计算机与现代化, 2019, 0(09): 65-.

一种新的融合情景的美食推荐算法

A Food Recommendation Algorithm with Context

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价