污染源信息推荐的用户喜好模型研究

由于污染给社会生活带来的诸多困扰和污染源的固有特性，作为污染源信息需求者的环境保护机构和个人，如何从大量污染源信息中找到自己关注的信息；同时，对于污染源信息提供者，怎样使自己的信息为广大用户所关注，是环保领域比较突出的矛盾和问题。本文通过建立基于年龄和职业的用户喜好模型，利用UFTB算法从用户看过的污染源信息及其信息类型入手，对用户看过的污染源信息类型与评分数据进行分析。在建立分析污染源信息推荐模型中，采用协同过滤算法计算修正后的余弦相似度，对缺省值进行预测以优化算法。为防止过度优化，采取剔除用户非喜好类型污染源信息，得到优化缺省值预测矩阵，将相似度数据带入推荐公式得出数值并使用排序，根据搜索出的与目标用户相似度最高的N位用户的喜好对目标用户进行污染源信息推荐。

污染给社会生活带来了非常多的困扰，同时由于污染源的固有特性，作为污染源信息需求者的环境保护机构和个人，如何从大量污染源信息(见本页脚注1)中找到自己关注的信息；同时，对于污染源信息提供者， 如何让自己的信息为广大用户所关注， 是环保领域比较棘手的矛盾和问题。

协同过滤推荐(Collaborative Filtering recommendation)系统就是解决这一突出矛盾的有效工具[1] [2] [3] [4]。Hou et al. (2009)给出了压缩稀疏用户评分矩阵的协作过滤算法；Wang (2011)建立了基于用户首选项类型的协作筛选推荐算法；王丽娜等(2015)探讨了基于协同过滤算法的智能推荐系统。总的来看，现有的研究集中于各种算法的研发，对协同过滤算法尤其是应用到污染源推荐方面的用户喜好模型尚未涉猎。

本文通过建立基于年龄和职业的用户喜好模型，采用UFTB 算法从用户看过的污染源信息及其信息类型入手，对用户看过的污染源信息类型与评分数据进行分析。在建立分析污染源信息推荐模型中，采用协同过滤算法计算修正后的余弦相似度，对缺省值进行预测以优化算法。为防止过度优化，采取剔除用户非喜好类型污染源信息，得到优化缺省值预测矩阵，将相似度数据带入推荐公式得出数值并使用排序，根据搜索出的与目标用户相似度最高的N 位用户的喜好对目标用户进行污染源信息推荐。

2. 用户喜好模型的建模思路 用户喜好模型的基本假设、符号说明及建模思路如下表1： 用户对污染源信息的评分不受已有评分影响；用户在短时间的兴趣是不会改变的；用户感兴趣的污染源信息类型仅与用户评分高的污染源信息类型相同；年龄相似，职业相仿的人兴趣相同；年龄对观看污染源信息类型的影响度大于职业；年龄差相同的情况下，年龄越大，两个用户的相似度越高。

1污染源：1) 大气污染：烟尘、二氧化硫；2) 水污染：生活污水和其它耗氧废物、传染病菌和病毒、植物营养剂-如氮和磷、有机化学合成剂-杀虫剂、除锈剂和合成洗涤剂、工、矿、农业操作的其他矿物质和化学物质、土地侵蚀的沉淀物、放射性物质、X.热污染；3) 土壤污染：化肥、农药、有机和无机污染物、大气、水的污染物质迁移转化进入土壤的污染物质、自然界或矿床周围元素富集形成的污染；4) 其他污染源：光污染、噪声、电磁辐射、其他资料来源： http://mip.findlaw.cn/shpc/teshuqinquanjiufen/pcjf/1416533.htm