基于用户动态兴趣标签的推荐模型研究周朴雄宫楚凡摘要随着网络交互性的增强，用户偏好会随主客观条件的变化而转变，因此准确把握用户的动态兴趣是互联网信息平台需要不断探索的问题。本文运用标签描绘用户兴趣，结合兴趣强化和兴趣衰减两方面因素，构建用户动态兴趣模型，以流程图的方式表示推荐模型，并将豆瓣读书的标签资源作为实验对象验证模型的可行性。关键词动态兴趣社会化标签聚类分析推荐模型分类号G251DOI10.16810/j.cnki.1672-514X.2021.09.010AbstractWiththeenhancementofnetworkinteractivity，userpreferenceswillchangewiththechangesofsubjectiveandobjectiveconditions.Therefore，accuratelygraspingthedynamicinterestsofusersisaproblemthatneedstobeexploredcontinuouslybytheInternetinformationplatform.Thispaperusestagstodescribeusersinterests，combinesthetwofactorsofinterestenhancementandinterestdecaytobuildauserdynamicinterestmodel，andexpressestherecommendationmodelintheformofflowchart.ItalsotakesthelabelresourcesofDoubanreadingastheexperimentalobjecttoverifythefeasibilityofthemodel.KeywordsDynamicinterest.Socialtags.Clusteranalysis.Recommendationmodel.隨着互联网的不断发展，在线生活方式逐渐渗透到大众生活的方方面面，大众开始在网络上进行言论发表、在线购物、浏览器访问等行为。这些网络行为属于用户的特征资源，在很大程度上折射出了用户的兴趣偏好。用户的兴趣处于一个动态变化的过程中，用户的年龄、婚姻状况、所处环境等客观条件以及用户受教育程度、自身性格、个人喜好等主观条件都会对用户兴趣产生影响，这就使得用户在网络上所产生的属于个体表征的信息资源不仅数量庞大而且具有一定的时效性。因此，怎样从数量庞大的这些信息资源中更加精确地识别出用户当下的兴趣，提供满足用户兴趣需求的信息资源是互联网信息平台需要不断探索的问题。1用户兴趣推荐研究及其社会化标签应用用户兴趣会随着主观条件和客观条件的改变而发生转变，学者们将这种转变定义为兴趣迁移，又称用户兴趣漂移。在互联网平台上，用户兴趣的转变通常可以用用户信息行为的转变来体现，即通过分析用户表征的信息（例如用户自定义标签、用户搜索历史等）来识别用户兴趣偏好。同时这些信息与用户兴趣的衰减、增强也是相互关联的[1]。1.1用户兴趣推荐研究目前国内外的兴趣推荐研究主要基于用户在某一领域的兴趣来推荐相应的资源，且侧重于相应的理论和算法的研究。在用户兴趣建模方面，有两种通用方法：一种是显示方法，即用户自发性标记感兴趣的内容或者用户自主加入资源的评估反馈活动，强调用户的自发性;另一种是隐式方法，不需要用户自发参与，而是通过分析用户的历史行为来获取用户的喜恶，从而构建用户兴趣模型。Pazzani等将页面的标注信息作为训练样本，进一步分析每个词语的信息增益值，并选择其中的最大值来表示用户兴趣[2]。Adomavicious等利用数据挖掘技术分析用户在互联网平台上的行为信息，得到用户间的关联，最终形成一个网状的用户兴趣模型[3]。王科将两种建模方法相结合，提出显隐式兴趣漂移检测模型，从而精准判断用户当前的兴趣偏好[4]。李志隆等通过构建领域本体来对用户建立兴趣模型，并结合兴趣度和传递调整的方法对兴趣模型进行更新[5]。在兴趣迁移推荐方面，主要有时间窗口法、遗忘函数法两种方法。于洪等引用心理学领域的艾宾浩斯遗忘曲线将用户兴趣划分为长期兴趣和短期兴趣，提出了基于遗忘曲线的协同过滤推荐算法[6]。张艳芳等将指数遗忘权重与时间窗相结合，在强调了近期兴趣的同时也突出了重复出现的早期数据的重要性[7]。Ding等将时间衰减因子引入到评分公式中，提出了一种基于项目的协同过滤算法[8]。叶锡君等将用户兴趣权重、项目时间等因素结合起来，提出了一种基于用户兴趣和项目周期的推荐算法，并利用融合因子将信息综合起来，从而获得推荐列表[9]。1.2社会化标签应用随着网络交互性的增强，主客观条件的转变会导致用户偏好发生转变，因此准确把握用户的动态兴趣是精准推荐的关键，因此，本文结合社会...