本文選題：推薦算法 + 協(xié)同過濾�。� 參考：《深圳大學(xué)》2016年碩士論文

【摘要】：在當(dāng)今的電子商務(wù)領(lǐng)域,為了挖掘出用戶的興趣愛好并提供個性化推薦,用戶的在線行為(如評分、評級、瀏覽)被認(rèn)為是最有價值的來源之一。然而,之前大多數(shù)的工作主要集中在對單類型的用戶行為的研究,如單一的顯式反饋(如評分、評級)或單一的隱式反饋(如瀏覽、點擊、加入購物車),極少有工作研究如何將顯式反饋和隱式反饋融合起來。在本論文中,我們結(jié)合顯式反饋和隱式反饋,主要研究并解決一種面向推薦系統(tǒng)中異構(gòu)反饋的協(xié)同推薦問題。該問題目前主要面臨兩大挑戰(zhàn),如用戶反饋數(shù)據(jù)的異構(gòu)性和用戶隱式反饋的不確定性。為了解決這個問題,本文分別從面向推薦系統(tǒng)中異構(gòu)反饋的協(xié)同過濾和面向推薦系統(tǒng)中異構(gòu)反饋的協(xié)同排序兩個角度開展研究。從面向協(xié)同過濾角度,本文設(shè)計了一種自主遷移學(xué)習(xí)模型來自主學(xué)習(xí)和挖掘用戶的隱式愛好,提出了一種自主遷移學(xué)習(xí)算法(Self Transfer Learning),簡稱sTL;然后,從面向協(xié)同排序角度,通過融合面向排序的模型和面向評分的模型,設(shè)計了一種分步矩陣分解(Staged Matrix Factorization)的協(xié)同排序算法,簡稱SMF。為了證明新提出的sTL算法和SMF算法推薦的有效性,本文在三個數(shù)據(jù)集上做了大量實驗,實驗結(jié)果表明我們提出的sTL算法明顯優(yōu)于其它幾大經(jīng)典算法(如SVD、SVD++),能有效提高精度、改善推薦效果,且實驗還表明新提出的sTL算法具有很好的穩(wěn)定性和繼承性;同時,實驗結(jié)果還表明,與其它面向排序的推薦算法(如BPR)相比,我們新提出的SMF算法能充分利用顯式反饋和隱式反饋,能有效改善推薦效果。據(jù)我們所知,在當(dāng)今的電子商務(wù)領(lǐng)域,很少存在單一的顯式反饋,也很少存在單一的隱式反饋,大部分既包含顯式反饋,又包含隱式反饋,由此可以看出,我們新提出的sTL算法和SMF算法能很好適應(yīng)當(dāng)前電子商務(wù)領(lǐng)域的需求,因此在當(dāng)今電子商務(wù)領(lǐng)域具有很好的研究價值和應(yīng)用價值。
[Abstract]:In the field of electronic commerce, in order to find out the interests of users and provide personalized recommendations, the online behavior of users (such as rating, browsing) is considered to be one of the most valuable sources. However, most of the previous work focused on a single type of user behavior, such as a single explicit feedback (such as rating, rating) or a single implicit feedback (such as browsing, clicking, etc.). There is little work on how to combine explicit and implicit feedback. In this paper, we combine explicit feedback and implicit feedback to study and solve a collaborative recommendation problem for heterogeneous feedback in recommendation systems. There are two main challenges to this problem, such as the heterogeneity of user feedback data and the uncertainty of user implicit feedback. In order to solve this problem, this paper focuses on collaborative filtering for heterogeneous feedback in recommendation system and collaborative sorting for heterogeneous feedback in recommendation system. From the point of view of collaborative filtering, this paper designs an autonomous transfer learning model from the main learning and mining users' implicit hobbies, and proposes a self transfer learning algorithm, called sTL, and then, from the perspective of collaborative sorting, proposes a self transfer learning algorithm. By combining the sorting oriented model and the scoring oriented model, a step Matrix factorization (SMF) cooperative sorting algorithm is designed. In order to prove the validity of the new proposed STL algorithm and SMF algorithm, a large number of experiments have been done on three datasets. The experimental results show that the proposed sTL algorithm is obviously superior to some other classical algorithms (such as SVD- SVD) and can effectively improve the accuracy. The experimental results show that the proposed sTL algorithm has good stability and inheritance. At the same time, the experimental results also show that compared with other ranking oriented recommendation algorithms (such as BPR), the proposed algorithm has good stability and inheritance. Our new SMF algorithm can make full use of explicit feedback and implicit feedback and can effectively improve the recommendation effect. As far as we know, in the field of electronic commerce today, there are few single explicit feedback and few single implicit feedback, most of which contain both explicit feedback and implicit feedback. Our new STL algorithm and SMF algorithm can meet the needs of the current electronic commerce field, so they have good research value and application value in the field of electronic commerce.
【學(xué)位授予單位】：深圳大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐義峰;徐云青;劉曉平;;一種基于時間序列性的推薦算法[J];計算機系統(tǒng)應(yīng)用;2006年10期

2 余小鵬;;一種基于多層關(guān)聯(lián)規(guī)則的推薦算法研究[J];計算機應(yīng)用;2007年06期

3 張海玉;劉志都;楊彩;賈松浩;;基于頁面聚類的推薦算法的改進(jìn)[J];計算機應(yīng)用與軟件;2008年09期

4 張立燕;;一種基于用戶事務(wù)模式的推薦算法[J];福建電腦;2009年03期

5 王晗;夏自謙;;基于蟻群算法和瀏覽路徑的推薦算法研究[J];中國科技信息;2009年07期

6 周珊丹;周興社;王海鵬;倪紅波;張桂英;苗強;;智能博物館環(huán)境下的個性化推薦算法[J];計算機工程與應(yīng)用;2010年19期

7 王文;;個性化推薦算法研究[J];電腦知識與技術(shù);2010年16期

8 張愷;秦亮曦;寧朝波;李文閣;;改進(jìn)評價估計的混合推薦算法研究[J];微計算機信息;2010年36期

9 夏秀峰;代沁;叢麗暉;;用戶顯意識下的多重態(tài)度個性化推薦算法[J];計算機工程與應(yīng)用;2011年16期

10 楊博;趙鵬飛;;推薦算法綜述[J];山西大學(xué)學(xué)報(自然科學(xué)版);2011年03期

相關(guān)會議論文 前10條

1 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個性化推薦算法[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2007年

2 唐燦;;基于模糊用戶心理模式的個性化推薦算法[A];2008年計算機應(yīng)用技術(shù)交流會論文集[C];2008年

3 秦國;杜小勇;;基于用戶層次信息的協(xié)同推薦算法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2004年

4 周玉妮;鄭會頌;;基于瀏覽路徑選擇的蟻群推薦算法:用于移動商務(wù)個性化推薦系統(tǒng)[A];社會經(jīng)濟(jì)發(fā)展轉(zhuǎn)型與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會第17屆學(xué)術(shù)年會論文集[C];2012年

5 蘇日啟;胡皓;汪秉宏;;基于網(wǎng)絡(luò)的含時推薦算法[A];第五屆全國復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會議論文（摘要）匯集[C];2009年

6 梁莘q，

本文編號：2115073