互聯(lián)網(wǎng)的到來促進了信息的爆炸性增長,人們從海量信息中定位自己感興趣的信息變得越來越困難,“信息過載”現(xiàn)象嚴重。個性化推薦技術(shù)通過挖掘海量數(shù)據(jù)獲取用戶的偏好,并根據(jù)用戶的偏好為其推薦相應(yīng)的內(nèi)容,有效解決信息過載問題。然而,個性化推薦技術(shù)仍然面臨著數(shù)據(jù)稀疏性、用戶冷啟動等挑戰(zhàn)。社交網(wǎng)站為挖掘用戶興趣提供了額外的信息來源,不少研究通過跨域引入用戶社交信息的方式解決傳統(tǒng)個性化推薦面臨的相關(guān)問題。然而,大多數(shù)研究只考慮了引入用戶的個人信息和社交關(guān)系信息,卻很少考慮到引入同樣包含用戶興趣的社交行為信息。同時,跨域引入社交行為信息存在三個方面的挑戰(zhàn):1)社交域和電商域的數(shù)據(jù)通常來自不同的網(wǎng)站,需要找到領(lǐng)域間的重疊用戶,并通過這些用戶對齊不同領(lǐng)域的信息。2)不同領(lǐng)域數(shù)據(jù)的形式不同,從不同領(lǐng)域構(gòu)建的特征既要能夠輸入到同一推薦模型中,也要保證原有數(shù)據(jù)中的信息完整性。3)社交行為和購物行為發(fā)生的時間是不同步的,引入時序信息時行為不同步會對挖掘用戶時序興趣產(chǎn)生一定的干擾。為了應(yīng)對這些挑戰(zhàn),本文提出了一種跨域時序偏好挖掘算法,有效引入時序社交行為信息,緩解用戶冷啟動、用戶興趣變化等問題,主要貢獻如下:1、提出了... 

【文章來源】：廣東工業(yè)大學(xué)廣東省

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

基于社交信息的跨域推薦研究進展Fig.1-1ResearchonCross-domainRecommendationBasedonSocialInformation

廣東工業(yè)大學(xué)碩士學(xué)位論文好挖掘模型要求的特征向量（矩陣）形式。二部分為偏好挖掘模塊，根據(jù)上一步獲取到的特征向量（矩陣）數(shù)據(jù)品特征矩陣，并選取相應(yīng)的偏好挖掘算法，挖掘用戶對不同商品的興趣戶最感興趣的項目集合。在這一部分中偏好挖掘算法是重中之重，根選擇合適的偏好挖掘算法不僅會影響到系統(tǒng)的執(zhí)行效率，還會對預(yù)測以及用戶體驗產(chǎn)生重大影響。

絡(luò)的發(fā)展和社交賬號登錄技術(shù)的興起，使各類的服務(wù)平臺獲得用戶的社為了可能，融合用戶社交領(lǐng)域的信息，能夠有效解決單領(lǐng)域數(shù)據(jù)面臨的、冷啟動等問題。領(lǐng)域”的概念其實很難去界定，學(xué)術(shù)界至今也沒有統(tǒng)一的說法。如電影和是兩個不同的領(lǐng)域，而動作片和恐怖片同樣也可以認為是兩個不同的領(lǐng)有按照不同平臺劃分不同的域，如 Amazon 和淘寶。常所說的跨域興趣預(yù)測推薦是利用源（輔助）域的信息和知識去提高目標果，但是事實上并非所有的跨域興趣預(yù)測的目標都是如此，也有為用戶商品為目的系統(tǒng)。Cantador 等人[33]按照推薦任務(wù)的不同，將跨域興趣預(yù)類型。首先假設(shè)存在源（輔助）sD 域和目標域tD ，兩個域中的用戶集合t ，項目集合分別為sI 和tI ，斜線覆蓋的區(qū)域為需要挖掘的數(shù)據(jù)，粗線框測的范圍，則三種類型的預(yù)測任務(wù)如圖 2-2 所示。

【參考文獻】：
期刊論文
[1]基于迭代回歸樹模型的跨平臺長尾商品購買行為預(yù)測[J]. 白婷,文繼榮,趙鑫,楊伯華.  中文信息學(xué)報. 2017(05)



本文編號：3226499