21、基于关键词聚类的用户画像与不可观测队列的均衡策略研究

基于关键词聚类的用户画像与不可观测队列的均衡策略研究

在当今的信息时代，推荐系统和排队系统是两个重要的研究领域。推荐系统旨在为用户提供个性化的推荐，而排队系统则用于模拟和优化各种服务场景中的排队行为。本文将介绍基于关键词聚类的用户画像改进推荐方法，以及不可观测 GI/M/c 队列中考虑顾客不耐烦的均衡阈值犹豫策略。

基于关键词聚类的用户画像改进推荐

在推荐系统中，用户画像的构建是关键环节。传统的推荐方法存在一些局限性，而基于关键词聚类的用户画像方法为解决这些问题提供了新的思路。

用户画像构建

通过从 IMDb 网站提取电影及其相关关键词，对关键词进行聚类。每个电影的聚类轮廓用 CPN 表示，用户兴趣最初用评分矩阵 R 表示，用户画像 UP 通过公式 UP = R · CPN 计算得出。这种方法的优势在于用户画像更加紧凑，因为物品数量远大于聚类数量，减少了用户画像中的组件数量。而且，即使用户只观看了一部在某个聚类中有一定代表性的电影，也能计算出用户对该聚类的兴趣程度，使得得到的画像更加密集。

内容过滤和协同过滤

构建用户画像后，可用于内容过滤（CB）和协同过滤（CF）。用户对特定物品的兴趣是用户高度赞赏的聚类集合与电影所属聚类集合之间重叠的函数。用户 ux 对电影 iy 的兴趣计算公式为：
Interest(ux, iy) = $\sum_{k=1}^{p}$ UP(uj, k) · CPN T (k, iy)
其中 CPN T 是物品轮廓矩阵的转置。对于内容过滤，计算用户未体验过的每部电影的兴趣，并根据推荐物品数量按兴趣降序呈现电影，这种方法称为关键词聚类启用的基于内容的推荐器（KC - CB