协同过滤技术在电子商务推荐系统中的应用与研究
这是一篇关于推荐系统,协同过滤,属性特征,用户兴趣变化,多模型推荐的论文, 主要内容为近年来,电子商务个性化推荐系统在网络上获得了普遍的成功,协同过滤是其中应用最为广泛的个性化推荐技术。但是当前的电子商务推荐系统在实际运用中还相当不成熟,仍然存在许多问题,如推荐质量受到稀疏的用户评价数据的严重影响,系统的可扩展性能差,推荐缺乏多样性无法涵盖用户的完整兴趣。同时,网上有效信息的数量和商品的种类的急速增长对推荐系统提出了严峻挑战。 本文研究了个性化推荐系统及其主要的推荐技术,特别是协同过滤技术,包括基于用户的协同过滤技术和基于项目的协同过滤技术。本文所做的主要工作及创新体现在下面的四个方面: 本文在协同过滤算法的计算用户间相似度阶段,提出了一种基于用户兴趣变化的协同过滤的改进算法。算法考虑了用户评价时间的影响,改进了传统的用户间相似度的计算方法,从而得到最有效的目标用户最近邻居。 另外,在推荐系统中寻找目标用户最有效邻居方面,本文利用用户的属性特征对用户进行聚类。先找到目标用户所在的聚类簇,然后在这个聚类簇中利用改进的用户相似度量方法寻找目标用户的最近邻居。 在预测阶段,本文利用能使改进算法达到最低MAE值(推荐评价标准)的最近邻居来预测用户未评分项目的评分,并且通过实验验证了这种方法比单纯用基于用户的协同推荐算法具有更高的推荐质量。 在推荐阶段本文采用了多模型推荐方法。另外,系统采用众数法解决推荐系统中冷启动(新项目和新用户)问题,提高了推荐系统的推荐质量。 仿真实验表明:改进的协同过滤推荐算法比传统的协同过滤推荐算法具有更好的推荐效果。 最后利用改进的协同过滤算法设计实现了一个简单的电影推荐系统,达到了预期的推荐效果。
基于用户画像与物品画像的混合推荐算法
这是一篇关于推荐算法,混合推荐,用户画像,物品画像,用户兴趣变化的论文, 主要内容为随着电子商务与短视频业务的快速扩增,互联网空间中各种数据信息呈现指数式增长,“信息过载”已经成为人们在当今时代面临的巨大挑战。推荐系统的出现极大的缓解了这个困难。推荐系统以优化用户体验、提高商户利润为目标,在系统中通过分析用户行为日志,构建出用户画像信息,进而主动产生推荐结果。虽然目前推荐系统已取得一定的进展,但其仍然在冷启动问题、共现矩阵稀疏、跟踪用户兴趣变化等方面面临巨大挑战。为缓解上述问题对推荐系统的影响,本文从画像信息出发,将画像信息拆分为行为画像与属性画像两部分。利用自编码器模型提取出共现矩阵中有效的信息,降低共现矩阵稀疏对算法的影响,同时生成行为画像。利用语义嵌入模型将用户人口统计信息、物品描述信息等编码为向量,生成属性画像,缓解冷启动对推荐算法的影响。在协同过滤思想的启发下,在用户画像、物品画像基础上分别提出了UPHR算法与IPHR算法。同时,本文探究了将UPHR算法与IPHR算法融合的两种方式,分别为加权法与逻辑回归法,提出了UP-IPHR算法。另外,为进一步提高模型的可解释性,细化用户画像信息,本文从行为画像与兴趣变化两方面对UPHR算法模型进行改进,提出了T-UPHR算法。首先,该算法将注意力机制、强化学习的思想引入到UPHR算法中,挖掘影响用户做出选择的重要属性,细化用户行为画像信息。其次,该算法将艾宾浩斯遗忘曲线、时间上下文信息引入到推荐模型当中,改善了传统推荐模型难以跟踪用户兴趣变化的缺陷,从而提高模型推荐质量。综上所述,基于画像信息,本文共提出了四种推荐模型,分别为UPHR算法、IPHR算法、UP-IPHR算法以及T-UPHR算法。在四种公开推荐数据集上的实验结果表明,本文所提出的三种算法(UPHR算法、UP-IPHR算法以及T-UPHR算法)能够较好地缓解冷启动问题与共现矩阵稀疏对推荐算法的影响,在精确率与召回率上表现优于经典的推荐算法模型与基于深度学习的Top-N推荐模型。
基于用户兴趣变化的高校图书馆个性化图书推荐技术的研究与实现
这是一篇关于个性化推荐,协同过滤推荐,图书馆,用户兴趣变化,艾宾浩斯遗忘曲线的论文, 主要内容为随着时代的进步和科技的飞跃发展,互联网的出现和普及使人们的生活发生了巨大的改变,可以说互联网早已渗透到当今社会的各行各业中。但是,技术的不断发展使网络中的数据量也在不断的增长,从而导致人们在获取自己需要的信息时,很难及时而又准确地在庞杂的数据中挑选出来适合自己或者自己喜欢的资源,致使信息的使用效率大大降低。现在我们就生活在这样一个“信息过载”的时代。电子图书资源和图书馆图书资源的日益增多,为当今的在校师生带来了丰富的知识源泉。在图书馆的大量藏书中快速地挑选到自己感兴趣或者适合自己的图书是一项极具挑战的工作。传统的高校图书馆管理系统仅仅能够在一定程度上解决这个问题,可以为用户提供搜索、查询、借阅、归还图书等功能。但随着社会和信息化的发展进步,在校师生的阅读兴趣偏好会不断地发生变化、阅读范围越来越广,阅读需求逐渐呈现出个性化的趋势。为了提高高校图书馆图书资源利用率,满足用户的个性化需求,能够主动地为用户进行个性化图书推荐,本文对个性化图书推荐和用户兴趣变化开展研究,并实现了基于用户兴趣变化的高校图书馆个性化图书推荐系统。本文主要是帮助高校师生解决面对海量图书很难做出正确选择的问题,主动为师生进行个性化图书推荐。本文在分析传统协同过滤推荐算法的基础上,对用户兴趣变化问题加以考虑,分析出用户兴趣变化影响协同过滤推荐算法主要是在两个核心过程,即寻找相似邻居集合的过程和预测评分的过程。在这两个核心过程引入时间权重和频率权重相融合的调节因子,对算法进行改进。本文提出调节因子的方法符合艾宾浩斯遗忘曲线的原则,能够有效提高个性化图书推荐的准确性。高校图书馆个性化图书推荐系统以个性化推荐技术在高校图书馆的研究为背景,首先进行了需求分析,包括用户需求分析、系统功能性需求分析和系统非功能性需求分析,然后对系统的功能模块和数据库进行概要和详细设计,运用加入调节因子的协同过滤推荐算法实现个性化图书推荐模块,最终使用Java开发语言、B/S架构模式、SSH框架实现高校图书馆个性化图书推荐系统,测试结果显示该系统能够更准确地为用户进行个性化图书推荐,提高了图书馆图书资源利用率。
基于项目聚类和用户兴趣的个性化推荐系统研究
这是一篇关于推荐算法,数据稀疏性,项目聚类,用户兴趣变化的论文, 主要内容为随着互联网的快速发展和电子商务的不断普及，网络上的信息以及其他资源的规模也得到快速增长。然而，海量的信息对用户查找有用信息造成严重影响。为解决这个问题，个性化推荐系统被研究出来。推荐系统规模的膨胀使得用户数量和物品的数量越来越大，推荐系统面临着严重的数据稀疏性问题，从而导致推荐系统的推荐质量严重下降。本文综合分析了目前国内外研究的现状，针对推荐系统中的稀疏性问题和用户兴趣随时间变化的问题进行深入地研究。 首先，提出一种基于项目聚类的评分矩阵预填充方法。通过聚类技术将评分相似和属性相似的项目聚集起来，形成若干个项目组，在每个组内部，借助项目间的隐式关联关系和项目属性在项目间建立联系，从而满足同一组内元素拥有评分相似和属性相似这种结构特性。在构造好的项目分组内计算项目之间的相似度，选择n个相似度较高的项目作为目标项目的最近邻居，对未评分项目进行预测评分并对矩阵进行填充。 然后，提出一种基于用户兴趣变化的个性化推荐算法。由于用户的兴趣会随着时间的推移而变化，我们可以假设用户最近的评分更能体现用户的兴趣，并且评分时间越接近的用户相似度越高。因此，在计算相似度的过程中可以根据时间效用函数对不同的评分分配不同的效用值，提高相似邻居的准确性，从而提高推荐结果的准确度。 最后，对本文提出的算法和现有的算法在不同稀疏度的数据集下进行了实验，并对结果进行对比和分析。
基于用户画像与物品画像的混合推荐算法
这是一篇关于推荐算法,混合推荐,用户画像,物品画像,用户兴趣变化的论文, 主要内容为随着电子商务与短视频业务的快速扩增,互联网空间中各种数据信息呈现指数式增长,“信息过载”已经成为人们在当今时代面临的巨大挑战。推荐系统的出现极大的缓解了这个困难。推荐系统以优化用户体验、提高商户利润为目标,在系统中通过分析用户行为日志,构建出用户画像信息,进而主动产生推荐结果。虽然目前推荐系统已取得一定的进展,但其仍然在冷启动问题、共现矩阵稀疏、跟踪用户兴趣变化等方面面临巨大挑战。为缓解上述问题对推荐系统的影响,本文从画像信息出发,将画像信息拆分为行为画像与属性画像两部分。利用自编码器模型提取出共现矩阵中有效的信息,降低共现矩阵稀疏对算法的影响,同时生成行为画像。利用语义嵌入模型将用户人口统计信息、物品描述信息等编码为向量,生成属性画像,缓解冷启动对推荐算法的影响。在协同过滤思想的启发下,在用户画像、物品画像基础上分别提出了UPHR算法与IPHR算法。同时,本文探究了将UPHR算法与IPHR算法融合的两种方式,分别为加权法与逻辑回归法,提出了UP-IPHR算法。另外,为进一步提高模型的可解释性,细化用户画像信息,本文从行为画像与兴趣变化两方面对UPHR算法模型进行改进,提出了T-UPHR算法。首先,该算法将注意力机制、强化学习的思想引入到UPHR算法中,挖掘影响用户做出选择的重要属性,细化用户行为画像信息。其次,该算法将艾宾浩斯遗忘曲线、时间上下文信息引入到推荐模型当中,改善了传统推荐模型难以跟踪用户兴趣变化的缺陷,从而提高模型推荐质量。综上所述,基于画像信息,本文共提出了四种推荐模型,分别为UPHR算法、IPHR算法、UP-IPHR算法以及T-UPHR算法。在四种公开推荐数据集上的实验结果表明,本文所提出的三种算法(UPHR算法、UP-IPHR算法以及T-UPHR算法)能够较好地缓解冷启动问题与共现矩阵稀疏对推荐算法的影响,在精确率与召回率上表现优于经典的推荐算法模型与基于深度学习的Top-N推荐模型。
协同过滤技术在电子商务推荐系统中的应用与研究
这是一篇关于推荐系统,协同过滤,属性特征,用户兴趣变化,多模型推荐的论文, 主要内容为近年来,电子商务个性化推荐系统在网络上获得了普遍的成功,协同过滤是其中应用最为广泛的个性化推荐技术。但是当前的电子商务推荐系统在实际运用中还相当不成熟,仍然存在许多问题,如推荐质量受到稀疏的用户评价数据的严重影响,系统的可扩展性能差,推荐缺乏多样性无法涵盖用户的完整兴趣。同时,网上有效信息的数量和商品的种类的急速增长对推荐系统提出了严峻挑战。 本文研究了个性化推荐系统及其主要的推荐技术,特别是协同过滤技术,包括基于用户的协同过滤技术和基于项目的协同过滤技术。本文所做的主要工作及创新体现在下面的四个方面: 本文在协同过滤算法的计算用户间相似度阶段,提出了一种基于用户兴趣变化的协同过滤的改进算法。算法考虑了用户评价时间的影响,改进了传统的用户间相似度的计算方法,从而得到最有效的目标用户最近邻居。 另外,在推荐系统中寻找目标用户最有效邻居方面,本文利用用户的属性特征对用户进行聚类。先找到目标用户所在的聚类簇,然后在这个聚类簇中利用改进的用户相似度量方法寻找目标用户的最近邻居。 在预测阶段,本文利用能使改进算法达到最低MAE值(推荐评价标准)的最近邻居来预测用户未评分项目的评分,并且通过实验验证了这种方法比单纯用基于用户的协同推荐算法具有更高的推荐质量。 在推荐阶段本文采用了多模型推荐方法。另外,系统采用众数法解决推荐系统中冷启动(新项目和新用户)问题,提高了推荐系统的推荐质量。 仿真实验表明:改进的协同过滤推荐算法比传统的协同过滤推荐算法具有更好的推荐效果。 最后利用改进的协同过滤算法设计实现了一个简单的电影推荐系统,达到了预期的推荐效果。
基于Kruskal算法改进的K-means聚类和用户兴趣变化的推荐系统研究
这是一篇关于推荐系统,K-means聚类,Kruskal算法,用户兴趣变化的论文, 主要内容为信息技术和互联网的快速发展促进了信息资源的急剧增长,从而出现了严重的信息过载问题,致使用户会耗费大量时间从海量信息中找到自己需要的信息。而推荐系统的出现有效缓解了信息过载问题,并能够根据用户的需要为其提供个性化的推荐。但推荐系统又普遍存在着冷启动、数据稀疏性和实时性等问题,这些问题严重的影响了推荐系统的推荐质量。如何有效的解决上述问题,成为了推荐系统当下研究的热点,也是本文主要的研究方向。首先,本文以推荐系统为基础,研究了个性化推荐算法及其相关技术,并进行了比较分析。针对推荐系统中的用户-项目评分矩阵稀疏性问题,本文采用了一种改进的基于项目评分预测的填充算法对原始评分矩阵进行了预填充,解决了数据稀疏性问题；为了提高推荐系统的实时性,本文使用了聚类技术,并详细介绍了传统的K-means聚类算法理论及实现,分析了该算法的优缺点,而针对传统的K-means聚类算法对初始聚类中心敏感的问题(随机选择初始聚类中心可能造成只能得到局部最优解情况的发生),本文提出了利用克鲁斯卡尔(Kruskal)算法通过构造最小生成树(MST)的方法,实现了自动生成均匀分布的初始聚类中心,从而解决了传统K-means算法的这一问题。最后结合改进的K-means算法对填充后的评分矩阵进行了离线聚类处理,有效提高了推荐系统的实时性。其次,考虑到随着时间的推移,用户的兴趣可能会随之改变。本文假设用户对项目最近的评分更能体现用户当前的兴趣,而用户的评分时间越接近则认为其相似度越高。在通过基于用户或基于项目的协同过滤算法计算相似度时,根据时间效用函数对不同的评分分配不同的效用值,以提高相似邻居的准确性,同时该算法还解决了物品冷启动和用户冷启动问题,从而最终提高了推荐结果的准确度。最后,为了验证本文所提算法的有效性,分别对本文所提算法和传统的协同过滤算法进行了分析和对比实验,实验结果表明本文所提算法的推荐质量明显优于传统算法。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码工厂 ，原文地址：https://m.bishedaima.com/lunwen/53018.html
