個(gè)性化推薦系統(tǒng)分析用戶(hù)歷史行為數(shù)據(jù),建立相應(yīng)的興趣偏好模型,預(yù)測(cè)其個(gè)性化需求,產(chǎn)生推薦,在電商網(wǎng)站和社交平臺(tái)中廣泛應(yīng)用。用戶(hù)需求分為顯性與隱性,針對(duì)用戶(hù)不同需求構(gòu)造有效合適的模型將有利于提高個(gè)性化推薦的精度。面向用戶(hù)顯性需求時(shí),本文采用層次狄利克雷過(guò)程混合（Hierarchical Dirichlet Processes,HDP）模型和個(gè)性化Pagerank算法,對(duì)產(chǎn)品的非結(jié)構(gòu)化信息進(jìn)行建模。首先提出HDP模型對(duì)產(chǎn)品描述性文本信息建模,推斷潛在的產(chǎn)品功能主題以此聚類(lèi)。接著利用個(gè)性化PageRank算法對(duì)標(biāo)簽信息建模,產(chǎn)生每個(gè)目標(biāo)產(chǎn)品的推薦列表。在真實(shí)的云服務(wù)產(chǎn)品數(shù)據(jù)集上的實(shí)驗(yàn)表明,所提出的HDP模型在聚類(lèi)效果上表現(xiàn)優(yōu)異,基于HDP模型和個(gè)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(chǎn)品冷啟動(dòng)的問(wèn)題。面向用戶(hù)隱性需求時(shí),本文采用主題模型建模用戶(hù)的歷史購(gòu)買(mǎi)行為,引進(jìn)隱群的概念,將用戶(hù)劃分為具有相似偏好的非重疊群體,同時(shí)定義了隱群興趣、興趣產(chǎn)品雙稀疏的概念,構(gòu)造一個(gè)基于隱群的雙稀疏分層生成模型,用群興趣預(yù)測(cè)個(gè)體興趣。在淘寶用戶(hù)購(gòu)買(mǎi)行為數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)... 

【文章來(lái)源】：合肥工業(yè)大學(xué)安徽省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)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(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 個(gè)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(yīng)用
    1.3 主要研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 相關(guān)理論與技術(shù)
    2.1 LDA模型
    2.2 DPMM模型
    2.3 吉布斯采樣過(guò)程
第三章 面向顯性需求的個(gè)性化推薦方法
    3.1 問(wèn)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(shí)驗(yàn)與分析
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)
        3.3.2 實(shí)驗(yàn)設(shè)置
        3.3.3 實(shí)驗(yàn)結(jié)果分析
第四章 面向隱性需求的個(gè)性化推薦方法
    4.1 問(wèn)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(shí)驗(yàn)與分析
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)
        4.3.2 實(shí)驗(yàn)設(shè)置
        4.3.3 實(shí)驗(yàn)結(jié)果分析
第五章 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 未來(lái)展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間的學(xué)術(shù)活動(dòng)以及成果情況



本文編號(hào)：3167776