個性化推薦系統(tǒng),現如今已經成為了各類電子商務公司為了滿足客戶需求的重要工具。但是,在線用戶的不斷擴充以及產生大量的信息,如何利用這些信息并準確地提供了個性化的內容和服務變得越來越具有挑戰(zhàn)性。傳統(tǒng)的推薦模型過于依賴用戶的偏好評分,而且還常常受到數據稀疏性問題的影響。單分類協(xié)同過濾模型更適用于電子商務真實的情況但由于其數據缺失值較多且類別極度不平衡,因此在物品推薦上還有明顯的不足之處,如數據稀疏性問題和冷啟動問題。為了應對上述的挑戰(zhàn),當前很多研究致力于識別數據中的正例和負例,本文使用用戶的人格特質信息和物品標簽信息作為補充信息在加權正則矩陣分解模型的基礎上提出了兩種負例權重策略:一種是利用人格特質信息計算用戶對產品的偏好程度,另一種是聯(lián)合人格特質和物品標簽信息計算用戶對產品的偏好程度。其負例權重策略基于的基本思想是:用戶對產品的偏好程度越大,該缺失項是負例的可能性就越小。在公開數據集Last FM上的實驗結果表明本文提出的模型能夠提高傳統(tǒng)單分類協(xié)同過濾模型的性能并有效緩解了數據稀疏性問題和新用戶冷啟動問題。 

【文章來源】：合肥工業(yè)大學安徽省 211工程院校 教育部直屬院校

【文章頁數】：65 頁

【學位級別】：碩士

【部分圖文】：

用戶大五人格評分分布圖

圖 3. 2 隱因子數量的影響Fig 3.2 Impact of the dimension of latent factors外，我們還分析了不同的推薦列表長度對模型的敏感度的影響:：在這里我們了 和 作為分析推薦列表長度對模型影響的指標，其實驗結果

圖 3. 3 推薦列表長度的影響Fig 3.3 Impact of the size of recommendation list..4 本章小結本章提出了一種在電子市場環(huán)境或社交媒體網站上使用的融合人格信息的

【參考文獻】：
期刊論文
[1]基于上下文項目評分分裂的協(xié)同過濾推薦[J]. 何明,劉毅,常盟盟,吳小飛.  計算機科學. 2017(03)
[2]基于標簽主題的協(xié)同過濾推薦算法研究[J]. 文俊浩,袁培雷,曾駿,王喜賓,周魏.  計算機工程. 2017(01)
[3]一種優(yōu)化組合相似度的協(xié)同過濾推薦算法[J]. 陳曦,成韻姿.  計算機工程與科學. 2017(01)
[4]融入音樂子人格特質和社交網絡行為分析的音樂推薦方法[J]. 琚春華,黃治移,鮑福光.  電信科學. 2015(10)
[5]一種解決新項目冷啟動問題的推薦算法[J]. 于洪,李俊華.  軟件學報. 2015(06)
[6]基于張量分解的個性化標簽推薦算法[J]. 李貴,王爽,李征宇,韓子揚,孫平,孫煥良.  計算機科學. 2015(02)
[7]協(xié)同過濾推薦技術綜述[J]. 冷亞軍,陸青,梁昌勇.  模式識別與人工智能. 2014(08)
[8]推薦系統(tǒng)中的冷啟動問題研究綜述[J]. 孫冬婷,何濤,張福海.  計算機與現代化. 2012(05)
[9]一種解決協(xié)同過濾系統(tǒng)冷啟動問題的新算法[J]. 李改,李磊.  山東大學學報(工學版). 2012(02)
[10]Tag-Aware Recommender Systems:A State-of-the-Art Survey[J]. 張子柯,周濤,張翼成.  Journal of Computer Science & Technology. 2011(05)



本文編號：2901643