融合用户兴趣偏好的混合协同过滤算法研究
这是一篇关于协同过滤,兴趣偏好,近邻选择,长尾项目,矩阵填充的论文, 主要内容为近年来,随着网络技术的高速发展以及“个性化”思想的提出,传统的推荐系统已无法满足人们的需求,各大电商平台为抢占先机,纷纷推出自己的个性化推荐系统。个性化推荐系统,顾名思义,就是通过挖掘用户信息,针对不同的用户,返回因人而异的结果列表。但是,在现实生活中,出于隐私保护的问题,这些推荐系统往往无法获得用户的过多信息,从而也很难实现真正意义上的个性化推荐。如何从仅有的一些信息中挖掘出用户的真实搜索意图,一直是个性化推荐系统研究的热点和难点。目前,个性化推荐系统广泛使用的是协同过滤算法,这种算法虽然在一定程度上能起到个性化的效果,但是在面对现实生活中普遍存在的长尾现象(大多数的数据信息集中在少数用户和项目中)时,通常很难达到预期。本文针对协同过滤算法中评分数目分布不均的问题展开研究,提出了两点改进之处。首先,在计算用户相似度时引入了用户的兴趣偏好,并且在寻找最近邻时采用分布寻找的方法,即设定两个相似性阈值,根据阈值选择最近邻。然后,在评分预测中,通过填充评分矩阵中长尾项目的评分,来弥补评分数据不足带来的推荐误差。算法具体内容如下:(1)针对用户评分数据分布不均的问题,提出了融合用户兴趣偏好的近邻选择协同过滤算法。首先根据用户评分项目的标签,利用TF-IDF的思想,计算用户对标签的兴趣度,构建用户的兴趣偏好向量,从而计算用户在兴趣上的相似性;然后通过设定合适的相似性因子,计算用户在兴趣和评分上的综合相似性;最后根据综合相似性和评分相似性设定合适阈值,选择综合相似性大于设定值,并且评分相似性也大于设定值的用户作为当前用户的严格近邻用户,从而进行评分预测,根据评分将项目推荐给用户。(2)针对大多数项目只有少数评分的情况,对融合用户兴趣偏好的近邻选择协同过滤算法进一步改进,提出了一种常规项目和长尾项目的混合协同过滤算法。在该方法中,首先根据用户和项目的评分数量,将用户划分为活跃用户和不活跃用户,项目划分为常规项目和长尾项目;然后对于常规项目采用融合用户兴趣偏好的近邻选择协同过滤算进行评分预测,对于长尾项目则是先通过预测活跃用户对长尾项目的评分,用于填充评分矩阵中的缺失值,然后再预测长尾项目的评分;最后合并常规项目和长尾项目的评分进行推荐。最后,文中对上述算法进行了实验分析比较。
基于用户行为的移动电子商务推荐算法研究
这是一篇关于移动电子商务推荐,概率隐因子模型,用户行为建模,位置信息,近邻选择的论文, 主要内容为随着移动互联网、智能终端技术的快速发展,具有移动性、便捷性的移动电子商务成为电子商务发展的新方向。受移动端显示器大小的限制,移动电子商务面临严重的信息过载现象,迫切需要为用户提供个性化推荐服务。现有的推荐技术主要利用用户评分或者隐式反馈建立兴趣模型,根据设定的时间间隔或者数据累积量定期更新该模型,为用户提供个性化推荐。然而移动用户的需求会随着时间和位置的变化而发生改变,导致即时兴趣变化迅速,现有算法的兴趣模型主要反映用户的长期兴趣,需要对模型定期更新,不能满足移动电商环境下为用户提供实时推荐的要求。此外,由于新用户没有行为数据或历史数据非常稀疏,现有算法无法为新用户提供可靠的推荐结果,影响推荐质量。针对上述问题,本文提出了基于用户购买倾向和兴趣度的个性化推荐算法和基于多源信息融合的协同过滤推荐算法。本文的主要研究工作如下:(1)针对移动电子商务中用户的即时兴趣变化迅速,而现有推荐算法不能实时响应用户需求的问题,提出了一种基于用户购买倾向和兴趣度的个性化推荐算法(Purchase Intention and Interest Degree,PIID)。该算法从长期兴趣和即时兴趣两方面对用户兴趣建模,用购买倾向来量化用户对最近交互过却没有购买的商品的即时兴趣。在离线状态下,提取用户的行为特征,利用逻辑回归模型训练影响购买的行为特征所对应的回归系数,建立购买倾向预测模型;为了更精确地定位用户可能购买的商品,将购买倾向与兴趣度线性结合作为购买概率,针对购买记录,利用概率隐因子模型通过最大化购买概率来学习用户兴趣度。在线推荐时,将用户的实时行为特征带入预测模型中,得到用户的购买倾向,再与兴趣度结合,将购买概率较大的商品列表推荐给用户。在真实数据集上的实验表明,PIID算法与现有算法相比,有较高的准确率和F1指标,而且能够提供高效的实时推荐。(2)针对现有推荐算法是在大量评分或隐式反馈的基础上建立兴趣模型,无法为缺乏行为数据的新用户提供可靠推荐的问题,提出了一种基于多源信息融合的协同过滤推荐算法。算法首先利用位置信息,建立位置消费图,计算位置远近和不同用户的兴趣偏好对目标用户的影响,找到最近邻居集,可以根据近邻的偏好为新用户进行推荐;接着利用PIID算法计算用户的个人兴趣;最后利用购买概率将近邻偏好和个人兴趣对购买的影响建模,为用户推荐购买概率最大的商品列表。在真实数据集上的实验表明,该算法有较高的准确率和F1指标,而且能够为新用户提供可靠的推荐列表。(3)为了验证本文所提出算法的可行性,采用面向对象和模块化的设计思想,使用java编程语言设计并实现了一个基于用户行为的移动电子商务原型推荐系统。
融合用户兴趣偏好的混合协同过滤算法研究
这是一篇关于协同过滤,兴趣偏好,近邻选择,长尾项目,矩阵填充的论文, 主要内容为近年来,随着网络技术的高速发展以及“个性化”思想的提出,传统的推荐系统已无法满足人们的需求,各大电商平台为抢占先机,纷纷推出自己的个性化推荐系统。个性化推荐系统,顾名思义,就是通过挖掘用户信息,针对不同的用户,返回因人而异的结果列表。但是,在现实生活中,出于隐私保护的问题,这些推荐系统往往无法获得用户的过多信息,从而也很难实现真正意义上的个性化推荐。如何从仅有的一些信息中挖掘出用户的真实搜索意图,一直是个性化推荐系统研究的热点和难点。目前,个性化推荐系统广泛使用的是协同过滤算法,这种算法虽然在一定程度上能起到个性化的效果,但是在面对现实生活中普遍存在的长尾现象(大多数的数据信息集中在少数用户和项目中)时,通常很难达到预期。本文针对协同过滤算法中评分数目分布不均的问题展开研究,提出了两点改进之处。首先,在计算用户相似度时引入了用户的兴趣偏好,并且在寻找最近邻时采用分布寻找的方法,即设定两个相似性阈值,根据阈值选择最近邻。然后,在评分预测中,通过填充评分矩阵中长尾项目的评分,来弥补评分数据不足带来的推荐误差。算法具体内容如下:(1)针对用户评分数据分布不均的问题,提出了融合用户兴趣偏好的近邻选择协同过滤算法。首先根据用户评分项目的标签,利用TF-IDF的思想,计算用户对标签的兴趣度,构建用户的兴趣偏好向量,从而计算用户在兴趣上的相似性;然后通过设定合适的相似性因子,计算用户在兴趣和评分上的综合相似性;最后根据综合相似性和评分相似性设定合适阈值,选择综合相似性大于设定值,并且评分相似性也大于设定值的用户作为当前用户的严格近邻用户,从而进行评分预测,根据评分将项目推荐给用户。(2)针对大多数项目只有少数评分的情况,对融合用户兴趣偏好的近邻选择协同过滤算法进一步改进,提出了一种常规项目和长尾项目的混合协同过滤算法。在该方法中,首先根据用户和项目的评分数量,将用户划分为活跃用户和不活跃用户,项目划分为常规项目和长尾项目;然后对于常规项目采用融合用户兴趣偏好的近邻选择协同过滤算进行评分预测,对于长尾项目则是先通过预测活跃用户对长尾项目的评分,用于填充评分矩阵中的缺失值,然后再预测长尾项目的评分;最后合并常规项目和长尾项目的评分进行推荐。最后,文中对上述算法进行了实验分析比较。
基于对数似然相似度的推荐系统研究
这是一篇关于推荐系统,相似度,近邻选择,评分预测的论文, 主要内容为随着互联网的快速发展,信息过载导致人们在寻找满意的信息时需要花费大量的时间和精力。推荐系统可以自动分析用户的历史兴趣,并从庞大的信息库中找到符合用户兴趣的信息供用户作为选择的参考,减少了用户在寻找信息时的时间精力花费。因此,已广泛运用于电子商务、互联网服务、社交等应用中,并发挥了巨大的作用。如何进一步改善推荐的质量,提升用户的满意度,是目前推荐系统领域的研究重点。本文在对推荐系统以及常用的三种推荐算法分析的基础上,研究一种基于对数似然相似度的Slope One改进推荐算法的理论与实现方法,并将其运用到电影推荐系统的原型设计中,以便提高评分预测的准确率,改善电影推荐的质量。具体研究工作如下：通过对推荐系统中常用的三种推荐算法,尤其是Slope One推荐算法,以及相似度计算方法的研究,对比和分析了它们各自的优缺点。针对Slope One算法的不足,提出了一种基于对数似然相似度的Slope One改进算法LBSO。算法引入列联表分析两两物品的关联关系,计算对数似然比统计量,将其转化为对数似然相似度,作为评分预测公式中的权值；并结合一种近邻选择改进算法,在评分预测时排除与目标物品相似度过小的物品,较好地提高了对目标物品评分预测的准确率；利用MovieLens数据集,通过Python语言编程实现上述算法进行对比分析,实验验证了所提出的改进算法LBSO拥有较好的评分预测准确率。通过对电影推荐系统进行调研和需求分析,在此基础上,实现了包括总体结构、功能模块以及数据库等方面的电影推荐系统原型设计,其中,总体结构设计采用“视图层-业务层-数据层”的分层设计,并利用LBSO推荐算法,获得当前用户未评分的电影的评分,然后对候选电影集合按照电影预测评分从高到低进行重排序,最终形成电影推荐列表提供给用户,为用户的兴趣选择提供合理的依据,提高了用户寻找兴趣电影的效率。
融合用户兴趣偏好的混合协同过滤算法研究
这是一篇关于协同过滤,兴趣偏好,近邻选择,长尾项目,矩阵填充的论文, 主要内容为近年来,随着网络技术的高速发展以及“个性化”思想的提出,传统的推荐系统已无法满足人们的需求,各大电商平台为抢占先机,纷纷推出自己的个性化推荐系统。个性化推荐系统,顾名思义,就是通过挖掘用户信息,针对不同的用户,返回因人而异的结果列表。但是,在现实生活中,出于隐私保护的问题,这些推荐系统往往无法获得用户的过多信息,从而也很难实现真正意义上的个性化推荐。如何从仅有的一些信息中挖掘出用户的真实搜索意图,一直是个性化推荐系统研究的热点和难点。目前,个性化推荐系统广泛使用的是协同过滤算法,这种算法虽然在一定程度上能起到个性化的效果,但是在面对现实生活中普遍存在的长尾现象(大多数的数据信息集中在少数用户和项目中)时,通常很难达到预期。本文针对协同过滤算法中评分数目分布不均的问题展开研究,提出了两点改进之处。首先,在计算用户相似度时引入了用户的兴趣偏好,并且在寻找最近邻时采用分布寻找的方法,即设定两个相似性阈值,根据阈值选择最近邻。然后,在评分预测中,通过填充评分矩阵中长尾项目的评分,来弥补评分数据不足带来的推荐误差。算法具体内容如下:(1)针对用户评分数据分布不均的问题,提出了融合用户兴趣偏好的近邻选择协同过滤算法。首先根据用户评分项目的标签,利用TF-IDF的思想,计算用户对标签的兴趣度,构建用户的兴趣偏好向量,从而计算用户在兴趣上的相似性;然后通过设定合适的相似性因子,计算用户在兴趣和评分上的综合相似性;最后根据综合相似性和评分相似性设定合适阈值,选择综合相似性大于设定值,并且评分相似性也大于设定值的用户作为当前用户的严格近邻用户,从而进行评分预测,根据评分将项目推荐给用户。(2)针对大多数项目只有少数评分的情况,对融合用户兴趣偏好的近邻选择协同过滤算法进一步改进,提出了一种常规项目和长尾项目的混合协同过滤算法。在该方法中,首先根据用户和项目的评分数量,将用户划分为活跃用户和不活跃用户,项目划分为常规项目和长尾项目;然后对于常规项目采用融合用户兴趣偏好的近邻选择协同过滤算进行评分预测,对于长尾项目则是先通过预测活跃用户对长尾项目的评分,用于填充评分矩阵中的缺失值,然后再预测长尾项目的评分;最后合并常规项目和长尾项目的评分进行推荐。最后,文中对上述算法进行了实验分析比较。
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：毕设助手 ，原文地址：https://m.bishedaima.com/lunwen/56111.html
