個性化推薦系統(tǒng)分析用戶歷史行為數(shù)據(jù),建立相應的興趣偏好模型,預測其個性化需求,產生推薦,在電商網站和社交平臺中廣泛應用。用戶需求分為顯性與隱性,針對用戶不同需求構造有效合適的模型將有利于提高個性化推薦的精度。面向用戶顯性需求時,本文采用層次狄利克雷過程混合（Hierarchical Dirichlet Processes,HDP）模型和個性化Pagerank算法,對產品的非結構化信息進行建模。首先提出HDP模型對產品描述性文本信息建模,推斷潛在的產品功能主題以此聚類。接著利用個性化PageRank算法對標簽信息建模,產生每個目標產品的推薦列表。在真實的云服務產品數(shù)據(jù)集上的實驗表明,所提出的HDP模型在聚類效果上表現(xiàn)優(yōu)異,基于HDP模型和個性化PageRank的兩階段推薦模型較其他方法在推薦性能上有著較大提升,且有效緩解了新產品冷啟動的問題。面向用戶隱性需求時,本文采用主題模型建模用戶的歷史購買行為,引進隱群的概念,將用戶劃分為具有相似偏好的非重疊群體,同時定義了隱群興趣、興趣產品雙稀疏的概念,構造一個基于隱群的雙稀疏分層生成模型,用群興趣預測個體興趣。在淘寶用戶購買行為數(shù)據(jù)集上的實驗結... 

【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(shù)】：62 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 研究背景及研究意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 個性化推薦研究現(xiàn)狀
        1.2.2 主題模型及其在推薦系統(tǒng)中的應用
    1.3 主要研究內容
    1.4 論文組織結構
第二章 相關理論與技術
    2.1 LDA模型
    2.2 DPMM模型
    2.3 吉布斯采樣過程
第三章 面向顯性需求的個性化推薦方法
    3.1 問題描述
    3.2 兩階段模型介紹
        3.2.1 模型描述
        3.2.2 模型求解
        3.2.3 推薦列表生成
    3.3 實驗與分析
        3.3.1 實驗數(shù)據(jù)
        3.3.2 實驗設置
        3.3.3 實驗結果分析
第四章 面向隱性需求的個性化推薦方法
    4.1 問題描述
    4.2 雙稀疏分層生成模型介紹
        4.2.1 模型描述
        4.2.2 模型求解
        4.2.3 推薦列表生成
    4.3 實驗與分析
        4.3.1 實驗數(shù)據(jù)
        4.3.2 實驗設置
        4.3.3 實驗結果分析
第五章 總結與展望
    5.1 本文工作總結
    5.2 未來展望
參考文獻
攻讀碩士學位期間的學術活動以及成果情況



本文編號：3167776