摘要：新用户进入系统之初,由于缺少必要的行为信息,推荐系统无法给出高质量的推荐,为了提高推荐精度,可以使用主动学习技术,使系统主动向用户发起相关物品的评分请求,从而通过用户的交互信息了解用户的偏好信息.现有的主动学习方法基于不确定性、熵等信息选择物品让用户提供反馈.然而由于用户的差异性,其适合的最佳策略是不一样的.因此,本文针对新用户冷启动问题,将要向用户发起询问的物品分阶段产生,通过用户对上一阶段问题的不同反馈,通过决策树模型个性化的动态选择下一阶段适合的策略来生成物品列表以征求其评价.同时,采用遗传算法来优化各个阶段的最优物品个数.在实际数据集上的实验表明,通过这种自适应生成询问物品列表的方法能够改进推荐效果.

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社